IntraTomo: 시노그램 합성과 예측을 통한 자기지도 학습 기반 타원형 촬영

우리는 컴퓨터 단층 촬영(CT) 환경에서 매우 불안정한 역 문제를 해결하기 위해 학습 기반 접근법과 모델 기반 접근법의 장점을 결합한 강력한 프레임워크인 IntraTomo를 제안한다. IntraTomo는 두 가지 핵심 모듈로 구성되며, 이들은 반복적으로 적용된다. 첫 번째 모듈은 미지의 밀도 필드를 깊은 신경망으로 파라미터화된 연속적이고 미분 가능한 함수로 표현한다. 이 네트워크는 입력 심오그램(시노그램)이 불완전하거나 저품질일 경우에도 자기지도 학습(self-supervised) 방식으로 학습된다. 심오그램 예측 모듈을 통해 추정된 밀도 필드는 두 번째 모듈에서 국소적이고 비국소적인 기하학적 사전 지식을 이용하여 일관되게 개선된다. 이러한 두 핵심 모듈을 통해 IntraTomo가 제한된 각도 CT(45도 범위), 최소 8개의 시야만을 사용하는 희소 시야 재구성, 또는 해상도를 8배로 증가시킨 초고해상도 CT와 같은 여러 불안정한 역 문제에서 기존 방법들을 크게 능가함을 보여준다. 시뮬레이션 및 실제 데이터를 이용한 실험 결과, 본 연구에서 제안한 방법이 이전까지 없었던 수준의 뛰어난 재구성 품질을 달성할 수 있음을 확인하였다.