ContiLNN: Liquid Neural Network로 슬라이스 샘플링 불연속을 완화하는 의료 영상 복원

문제

저선량 CT, 저해상도 MRI, 저계수 PET 영상을 복원할 때 이웃 슬라이스의 해부학적 연속성은 유용한 정보다. 하지만 2D 모델은 슬라이스를 하나씩 따로 처리한다. 3D 모델은 메모리 부담이 크다. 또 사용할 수 있는 슬라이스가 띄엄띄엄 있거나 간격이 불규칙하면, 단순히 이웃 슬라이스 개수만으로는 맥락을 제대로 반영하기 어렵다.

방법

2D 복원 백본(Restore-RWKV, DASMamba)의 일부 Feature 경로에 Bi-CfC(양방향 closed-form continuous-time) 모듈을 넣었다. 이 모듈은 슬라이스 순서를 따라 Hidden State를 앞뒤 양방향으로 전파한다. 원래 슬라이스 인덱스 간격을 정규화해 게이트에 넣으므로, 수치적 ODE 적분 없이도 샘플링 간격 변화에 반응한다. 학습에는 세 가지 손실을 함께 썼다. 재구성 손실, 고품질 기준 영상과 슬라이스 간 1·2차 밝기 차이를 맞추는 일관성 손실, 고정된 2D 백본의 예측을 따르게 하는 Distillation 손실이다.

결과

• 시드 5개 평균 PSNR이 Restore-RWKV보다 CT 노이즈 제거에서 0.1907dB, MRI 초해상도에서 1.0176dB, 저계수 PET 복원에서 1.2482dB 높았다. 세 작업 모두 RMSE도 낮았다.
• 연속 슬라이스로 학습했을 때, 파라미터 수와 연산량이 비슷한 Bi-GRU보다 시험한 모든 샘플링 조건에서 복원 품질이 높았다.
• 7개 슬라이스 조건 측정에서 Bi-GRU보다 지연 시간이 52.8%, 최대 GPU 메모리 사용량이 57.0% 낮았다.
• PET 어블레이션에서 성능 향상은 단순히 용량을 늘린 효과가 아니라 순서대로 전파한 효과로 나타났다고 저자들은 보고했다.
• 간격을 섞어 학습(mixed-gap)하자 두 연산자 모두 희소·불규칙 맥락에서 성능이 좋아졌다. 다만 지표와 조건별로 일관된 우열은 없었다.

한계

CT 결과는 평가용 환자 1명에 대한 기술적 결과다. CT 개선 폭(약 0.19dB)도 MRI·PET보다 작다. mixed-gap 학습에서는 Bi-CfC가 Bi-GRU보다 항상 낫지 않았다. 평가는 PSNR·RMSE 같은 화질 지표 중심이며, 임상 판독 영향은 확인한 범위에 없다. 백본 호환성 검증도 2종에 그쳤다.

의미

전체 3D 모델 없이 기존 2D 복원 모델에 가벼운 모듈만 붙여 슬라이스 간 정보를 활용할 수 있다. 저선량·단축 촬영 영상이나 일부 슬라이스만 남은 영상의 후처리 복원에 활용할 수 있다. 메모리·지연 시간 면에서도 이점이 있다.

핵심 용어

Liquid Neural Network

입력에 따라 상태 변화 속도가 달라지는 연속 시간 신경망이다. 관측 간격이 불규칙한 시퀀스를 다루기에 적합하다.

CfC(Closed-form Continuous-time)

Liquid 동역학을 닫힌 형태 식으로 근사한 네트워크다. ODE를 반복해서 수치 적분하지 않고, 시간 간격을 입력으로 받아 다음 상태를 바로 계산한다.

2.5D 복원

2D 단면 처리에 이웃 슬라이스 정보를 더하는 방식이다. 2D 모델의 효율과 3D 맥락 사이의 절충안이다.

PSNR

복원 영상이 기준 영상과 얼마나 가까운지를 dB 단위로 나타내는 화질 지표로, 높을수록 좋다.

원문

• arXiv 초록
• PDF
• HTML 본문
• Hugging Face

저자: Jialei He, Enhe Liu, Sifan Song, Pengfei Jin, Jionglong Su, Hongbin Wang, Zhixiang Lu, Yanhao Huang, 외 · 게시 2026-10-08 · 라이선스 arXiv 비독점 배포 라이선스 · 본문 기준 분석

이 리뷰는 AI가 논문을 읽고 작성한 요약이며, 정확한 내용은 원문을 기준으로 확인해 주세요.