psi.ch

이 이메일 도메인이 관측된 논문 3건

arXiv:2609.37605v2cs.CV

TomoTransformer: CT 재구성을 위한 파운데이션 모델을 향하여

TomoTransformer: Towards a Foundation Model for CT Reconstruction

지도 심층 학습(supervised deep learning)은 희소 뷰 단층 촬영 재구성(sparse-view tomographic reconstruction) 분야를 발전시켰습니다. 그러나 일반적으로 여과 역투영(FBP) 이미지나 사이노그램(sinogram)을 깨끗한 재구성 이미지로 매핑하는 기존 모델들은 분포 변화(distribution shift)에 취약합니다. 투영 횟수 및 각도, 검출기 해상도 또는 데이터 분포가 변경될 때마다 재학습이 필요하기 때문에, 실제 응용 분야에서의 배포는 여전히 제한적입니다. 이를 해결하기 위해 본 논문에서는 각 국소(local) 여과 투영을 개별 토큰으로 취급하고 셀프 어텐션(self-attention)을 통해 누락된 뷰를 예측하는 트랜스포머 기반 아키텍처인 TomoTransformer를 소개합니다. 결정적으로, TomoTransformer는 공간적 위치 전반에 걸쳐 투영을 분리하는 역투영 공간(back-projection space)에서 작동하므로, 뷰 보간이 기하학적으로 적절한 조건(well-posed)을 갖추고 검출기 크기에 불변하도록 만듭니다. 이러한 설계를 통해 재학습 없이도 임의의 각도 위치 및 검출기 크기에서 임의의 개수의 입력 투영을 처리하고, 임의의 개수의 목표 각도를 쿼리할 수 있는 단일 파운데이션 모델이 구현됩니다. 다양한 의료 CT 해부학적 구조와 자연 이미지를 포괄하는 대규모 데이터셋으로 학습된 TomoTransformer는 여러 해부학적 구조, 재료 및 해상도 전반에 걸쳐 효과적으로 일반화됩니다. 여러 벤치마크 희소 뷰 데이터셋에 대한 광범위한 평가 결과에 따르면, TomoTransformer는 ViewTrans와 같은 동시대의 다목적 모델을 크게 능가하며, 입력 및 목표 투영 수에 완전히 구애받지 않으면서도 강력한 특정 프로토콜 전용 베이스라인과 대등하거나 이를 능가하는 성능을 보입니다. 나아가 이 모델은 X선 방사광 가속기에서 수집된 실제 실험 나노스케일 뇌 데이터에서 강력한 제로샷(zero-shot) 일반화를 입증하여 실제 응용 분야에서의 실용성을 보여줍니다.

arXiv:2609.10456v1cs.CV

라미노그래피 X선 나노이미징에서 데이터 일관성 확산 사전확률을 활용한 고도화된 뇌 조직 이미징

Advanced Brain Tissue Imaging with Data-Consistent Diffusion Priors in Laminographic X-Ray Nanoimaging

포유류 뇌의 나노스케일 이미징은 커넥토믹스(connectomics)에 있어 매우 중요합니다. X선 라미노그래피(X-ray laminography)는 확장된 판형 생물학적 시편의 고속 이미징(high-throughput imaging)을 가능하게 합니다. 그러나 기울어진 획득 기하 구조로 인해 푸리에 공간(Fourier-space) 커버리지가 불완전해져 정보 결손 원뿔(missing-cone) 영역이 발생합니다. 기존의 재구성 기법들은 원뿔 내부의 측정되지 않은 정보를 복원할 수 없어 미세한 뇌 구조를 왜곡하는 아티팩트를 초래합니다. 이를 해결하려면 3차원 구조 모델링이 필요하지만, 직접적인 3D 심층 학습(deep learning) 접근법은 데이터 부족과 연산 비용으로 인해 한계가 있습니다. 본 논문에서는 다중 뷰 확산 사전확률(diffusion prior)과 투영 영역 데이터 일관성을 결합한 프레임워크인 LUCID(Laminography with Unified Consistent Diffusion)를 소개합니다. LUCID는 라미노그래피 순방향 모델과의 엄격한 정렬(alignment)을 강제하면서 상호 보완적인 3D 구조 정보를 통합합니다. 시뮬레이션 데이터셋에서 LUCID는 공간적 충실도를 대폭 향상시키고 누락된 푸리에 성분을 복원하여 기준선(baseline) 방법들을 능가하는 성능을 보였습니다. 실험 라미노그래피 데이터에 적용했을 때, 완전 샘플링된 단층촬영 볼륨으로만 학습(training)되었음에도 LUCID는 견고하게 일반화되며 측정되지 않은 푸리에 정보를 효과적으로 복원합니다.

arXiv:2604.21960v3eess.IV

희소 뷰 CT 재구성을 위한 조건부 확산 사후 정렬

Conditional Diffusion Posterior Alignment for Sparse-View CT Reconstruction

컴퓨터 단층촬영(CT)은 의료 및 산업 분야에서 널리 활용되는 영상 방식(modality)입니다. 방사선 피폭과 측정 시간을 줄이기 위해 투영 뷰(projection view)의 수를 대폭 감소시키는 희소 뷰 CT(sparse-view CT)에 대한 관심이 높아지고 있습니다. 심층 신경망, 특히 생성형 확산 모델(diffusion model)은 희소 뷰 CT에서 재구성 품질을 향상시키는 데 뛰어난 가능성을 보여주었습니다. 그러나 이러한 방법들은 다음과 같은 몇 가지 이유로 대규모 3D 볼륨으로 확장하는 데 어려움을 겪습니다: (i) 3D 모델의 높은 메모리 및 연산 요구량, (ii) 대규모 3D 학습(training) 데이터셋의 부족, (iii) 각 슬라이스에 독립적으로 2D 모델을 적용할 때 발생하는 슬라이스 간 불일치. 본 연구에서는 조건부 확산과 명시적인 데이터 일관성(data consistency)을 결합하여 이러한 한계를 극복하고, 확산 기반 희소 뷰 CT 재구성을 대규모 3D 볼륨으로 확장합니다. 확장 가능한 3D 희소 뷰 CT 재구성을 가능하게 하는 조건부 확산 사후 정렬(Conditional Diffusion Posterior Alignment, CDPA)을 제안합니다. 슬라이스 간 일관성을 향상시키기 위해 초기 3D 재구성을 조건으로 2D U-Net 확산 모델을 적용하며, 이를 측정된 투영 데이터와 일치시키는 데이터 일관성 정렬(alignment)과 결합합니다. 합성 및 실제 콘빔 CT(Cone Beam CT, CBCT) 데이터에 대한 실험을 통해 최고 수준(SOTA)의 성능을 입증하였으며, 소거 연구(ablation study)를 통해 제안된 파이프라인의 시너지 효과를 확인했습니다. 마지막으로, 동일한 원리가 고속 디노이징 U-Net 역시 강화하여 훨씬 적은 연산 비용으로도 확산 모델에 근접한 품질을 달성함을 보여줍니다.