PhyMRI-SR: 물리 인지 기반 2D Gaussian Splatting을 이용한 MRI 이미지 초해상화

일반적으로 MRI 초해상화는 주어진 저해상도 영상에서 단일 고해상도 목표로 맵핑하는 문제로 다루어져 왔으나, MRI 획득물리에서는 해상도와 SNR이 서로 상충하여 동일한 스캐너 설정 하에서도 다양한 실현값이 존재한다. 본 연구는 이 트레이드오프를 명시적으로 고려하여 입력 해상도를 동적으로 재평가하고 물리적으로 일관된 재구성을 목표로 삼았기에 진단 가능한 해부학적 세부를 더 잘 복원할 수 있는 가능성이 존재한다. 또한 시뮬레이션 기반 사전학습과 메타러닝 기반 적응을 결합해 실현 데이터 부족 문제를 완화하여 실제 초저장(64mT) 데이터로의 이식성을 높였다.

초기 출발점은 기존 SR 접근들이 저해상도 이미지를 고정된 타깃으로 간주하는 점이다. MRI 획득 물리에서는 동일한 스캐너·스캔 시간 제약 하에서도 해상도와 SNR 사이의 기하학적 트레이드오프가 존재하므로, 단일 저해상도 입력만으로는 구조적 충실도를 최적화하기 어렵다. 따라서 슈퍼해상화 문제를 획득 과정의 한 구성요소로 재정의하면 입력 해상도의 선택 자체를 최적화 변수로 다룰 수 있다.

전체 접근은 세 축으로 구성된다: 분할 기반 초기화와 공분산 사전으로 구성된 Prior‑Aware Gaussian Representation, 조직 파라미터(ρ와 R2)를 예측하는 Physics‑Constrained Signal Modeling, 그리고 시뮬레이션과 실측을 잇는 Meta‑Learning 기반 적응 파이프라인이다. 입력된 임의 해상도 LR 영상은 SwinIR 기반 인코더로 특징을 추출하고 분할기에서 얻은 조직 마스크는 원시요소 배분과 초기 위치를 결정하는 데 이용된다. 위치 정제 모듈은 MLP로 각 원시요소의 오프셋을 예측하여 초기화 기반의 위치를 제한 범위 내에서 보정하고, 공분산 모듈은 학습된 사전의 가중치 조합으로 현실적인 커널을 생성한다. 신호 모듈은 MLP로 원시요소별 ρ와 R2를 예측하고 식 S ≈ ρ·exp(−R2)와 잔차항을 적용해 진폭을 결정한 뒤 가우시안 합으로 목표 해상도에서 디퍼렌셔블 렌더링을 수행한다. 학습은 L1 재구성 손실, 그래디언트 손실, 주파수 도메인 손실의 조합으로 진행되며, 메타러닝 단계에서는 에피소드별 내·외부 업데이트를 통해 적응 초기화를 학습한다.

동적 해상도 실험에서 시뮬레이션 IXI 데이터의 x0.7 입력 스케일에서 PSNR 28.10 dB와 SSIM 0.9234, HFEN 0.3051, DISTS 0.1148을 달성하여 동일 프레임워크 내 다른 스케일 대비 최적 성능을 기록하였다. 실세계 64mT–3T 페어 데이터에서 메타러닝 기반 적응을 적용한 경우 PSNR 26.85 dB, SSIM 0.8856, HFEN 0.5432, DISTS 0.1454를 얻어 LIIF/LTE/Pixel‑to‑Gaussian 대비 PSNR에서 약 6.5 dB 이상의 우위를 보였다. fastMRI 벤치마크의 정적 스케일 비교에서는 4× 스케일에서 PSNR 34.26 dB 및 SSIM 0.962를 기록하며 비교 대상 다수보다 유의미한 이득을 확보했고, 5× 및 6.4× 스케일에서도 각종 확산기반·암시적 표현 기반 방법들을 상회하는 결과를 나타냈다.

전체 아키텍처는 세 부분으로 나뉜다: 입력 스테이지에서 SwinIR 기반 인코더와 2D U-Net 세그멘테이터로 LR 특징과 조직 마스크를 생성한다. Prior‑Aware representation은 분할 마스크로 조직별 원시요소 수 N_k를 계산(식에 따라 면적과 복잡도 가중치 적용)하고 초기격자 기반 위치를 할당한 뒤 위치 정제 MLP로 오프셋을 제한 범위 내에서 보정한다. 공분산은 고해상도 MRI에서 데이터로부터 추정한 공분산 분포로 구성된 사전 {Σ_j^dict}를 보유하고, 공분산 예측 MLP는 사전 원소들의 소프트맥스 가중치 합으로 각 원시요소 Σ_i를 구성한다. 물리 제약 신호 모델은 각 원시요소에 대해 MLP로 ρ_i, R2_i를 예측하고 c_i = ρ_i·exp(−R2_i)+δ_i로 진폭을 계산하며 이 단계는 Bloch 방정식 근사 및 획득 파라미터(TE/TR)에 기반한 신호 모델을 활용한다. 학습 세부사항은 Adam 옵티마이저, 초기 lr=1e−4, lr 감쇠 100 epoch마다 0.5 배, 배치 크기 4, 총 1000 epoch, 손실은 L1 재구성 손실과 그래디언트·주파수 손실의 조합이며 실험은 NVIDIA RTX 4090 GPU에서 수행되었다.

논문에서 명시한 주요 한계는 페어드 저·고해상도 데이터의 희소성으로, 현실적 저장(ultra‑low‑field) 환경의 복잡한 장비 특성과 열화를 완전히 시뮬레이션하기 어렵다는 점이다. 이로 인해 시뮬레이션 기반 사전학습만으로는 실세계 일반화에 한계가 발생하며 이를 보완하기 위해 메타러닝 기반의 적응 절차를 도입하였다. 추가적으로 다양한 스캐너 프로토콜과 임상 병변 분포에 대한 광범위한 검증이 필요하다고 명시되어 있다.