Noise2Inverse를 통한 자기지도 학습 기반 Primal-Dual 구현

X-ray 컴퓨터 단층 촬영 (CT) 재구성 (reconstruction)은 부적절한 역문제 (ill-posed inverse problem)이며, 특히 측정이 노이즈가 많고 불완전한 저선량 (low-dose) 및 희소 각도 (sparse-angle) 설정에서 더욱 그러합니다. Learned Primal-Dual 알고리즘과 같은 학습된 재구성 방법들이 강력한 성능을 달성하고 있지만, 이들은 일반적으로 정답 (ground-truth) 데이터에 접근할 수 있는 지도 학습 (supervised training)에 의존하며, 이러한 데이터는 실제 상황에서 이용 불가능한 경우가 많습니다. 본 연구에서는 Noise2Inverse 프레임워크를 Learned Primal-Dual 알고리즘으로 확장함으로써 자기지도 학습 (self-supervised) 재구성 방법을 제안합니다. Noise2Inverse Learned Primal-Dual (N2I-LPD)라고 불리는 이 접근 방식은 CT 스캔의 각도 회전에 따른 서로 다른 측정값들 사이의 노이즈가 갖는 통계적 독립성을 활용하여, 정답 이미지 없이도 학습된 반복 재구성 연산자 (iterative reconstruction operator)를 학습할 수 있게 합니다. 우리는 제안된 방법을 고전적인 재구성 방법들뿐만 아니라, 동일한 N2I 프레임워크 내에서 학습된 U-Net과 같은 신경망 기반 접근 방식과 비교합니다. 결과는 N2I-LPD가 향상된 재구성 품질을 달성함을 보여주며, 정답 데이터를 사용할 수 없는 실제 CT 영상 시나리오에서 학습된 재구성 연산자와 자기지도 학습 전략을 결합하는 것의 잠재력을 강조합니다.