Principled Confidence Estimation for Deep Computed Tomography

Motivation

• Known: CT 재구성은 FBP나 expectation-maximization 기반 반복 알고리즘 같은 고전적 방법에서 U-Net, diffusion model 같은 딥러닝 기반 방법으로 발전해 왔으며, 딥러닝 방법은 sparse 혹은 low-dose 데이터에서도 고품질 재구성 성능을 보여준다. 그러나 이러한 방법들은 대부분 단일 point prediction만 제공하며 불확실성 정량화가 부족하다.
• Gap: 기존 UQ 방법들(bootstrap, Bayesian inference, MCMC, ensembling, Monte Carlo dropout 등)은 CT 재구성에 적용되어 왔지만 대부분 엄밀한 finite-sample frequentist coverage guarantee가 부족하고, conformal prediction 기반 접근도 population 평균에 대해서만 marginal coverage를 보장할 뿐 특정 object에 대한 보장은 제공하지 못한다. 또한 non-linear physical forward model과 Poisson noise를 고려하면서 딥러닝 prior를 고차원 inverse problem에 결합한 likelihood 기반 confidence set 구성은 아직 시도되지 않았다.
• Why: 안전이 중요한 의료 및 산업 이미징 환경에서 노이즈 아티팩트가 병변으로 오인되거나 생성 모델의 hallucination을 실제 구조와 구분하지 못하는 문제, 그리고 방사선량-화질 트레이드오프에서 불필요하게 높은 선량을 사용하게 되는 문제를 해결하기 위해서는 이론적으로 보장된 confidence region이 필수적이다.
• Approach: Kirschner et al. (2025)의 sequential likelihood mixing framework를 기반으로, Beer-Lambert 법칙에 따른 log-linear forward model과 Poisson noise를 명시적으로 모델링하여 CT 재구성에 대한 finite-sample, anytime-valid confidence sequence를 도출하고, 이를 U-Net, U-Net ensemble, diffusion model 등 다양한 딥러닝 재구성 방법에 적용한다.

Achievement

1. 최초의 sequential likelihood mixing 적용: computed tomography에 sequential likelihood mixing을 최초로 적용하여, non-linear physical forward model과 Poisson noise 통계를 반영한 finite-sample, anytime confidence region을 도출하였다.
2. 딥러닝 방법의 이론적 통합: U-Net, Ensemble, Diffusion Model과 같은 현대적 딥러닝 아키텍처가 이론적 유효성을 유지한 채로 프레임워크에 seamless하게 통합됨을 보였다.
3. 더 타이트한 confidence set: 딥러닝 기반 재구성이 FBP, maximum likelihood estimation과 같은 classical baseline에 비해 실질적으로 더 좁은 confidence set을 제공함을 실증하였다.
4. hallucination 탐지 방법: confidence set 구성에 기반하여, 관측된 projection data와 통계적으로 불일치하는 재구성을 플래깅하는 계산적으로 효율적인 hallucination 탐지 방법을 제안하였다.
5. 해석 가능한 시각화: 고차원 confidence set을 pixel-wise uncertainty map으로 투영하는 방법을 개발하고, bootstrap 및 MCMC를 포함한 여러 established UQ baseline보다 nominal coverage level에서 더 타이트한 interval을 생성함을 보였다.

How

• Kirschner et al. (2025)의 sequential likelihood mixing framework를 채택하여, sequential negative log-likelihood ratio의 martingale 성질을 활용해 데이터 기반 confidence sequence를 구성
• Beer-Lambert 법칙에 기반한 log-linear forward model과 Poisson noise를 명시적으로 모델링하여 X-ray 물리 현상을 반영
• confidence set의 기하 구조는 관측 데이터 시퀀스의 negative log-likelihood와 재구성 시퀀스의 sequential test error를 측정하는 data-driven confidence coefficient에 의해 결정
• 이 구성은 임의의 reconstruction method와 likelihood function에 일반적으로 적용 가능하며, FBP, maximum likelihood estimation과 같은 classical method 및 U-Net, U-Net ensemble, diffusion model과 같은 딥러닝 방법에 모두 적용하여 비교
• 구성된 confidence region을 활용해 관측 projection data와 통계적으로 불일치하는 재구성을 탐지하는 hallucination detection 방법을 개발
• 고차원 confidence set을 pixel-wise confidence interval로 투영하여 해석 가능한 uncertainty map 생성, bootstrap과 MCMC 등 기존 UQ baseline과 coverage 및 interval width 비교

Originality

• likelihood 기반 confidence set을 고차원 inverse problem(특히 딥러닝 prior를 사용하는 CT 재구성)에 적용한 것은 새로운 시도이다.
• 기존의 Bayesian credible set(Pereyra, 2017)이나 conformal prediction 기반 접근과 달리, non-linear physical forward model과 Poisson noise를 명시적으로 반영하면서 anytime-valid하고 object-specific한 frequentist coverage guarantee를 제공한다.
• sequential likelihood mixing framework를 실제 CT 획득 프로토콜(순차적 projection measurement, 유한 노출 시간)과 자연스럽게 연결한 최초의 응용이다.

Limitation & Further Study

• 논문 발췌에서는 2D cross-section 재구성으로 문제를 단순화하고 있어, 실제 3D volumetric CT 재구성으로의 확장성과 계산 비용에 대한 논의가 충분히 드러나지 않는다.
• diffusion model과 같은 복잡한 생성 모델을 포함한 confidence set 구성이 실제 임상 환경의 다양한 노이즈 조건과 장비 특성에서도 견고하게 작동하는지에 대한 추가 검증이 필요하다.
• hallucination 탐지 방법의 민감도와 특이도에 대한 정량적 임상 검증, 그리고 early stopping이나 data-driven experimental design과 같은 downstream application으로의 실제 적용 사례는 향후 연구로 남아있다.

Evaluation

총평: 이론적으로 엄밀한 coverage guarantee를 유지하면서 딥러닝 기반 CT 재구성의 불확실성을 정량화하는 실용적이고 독창적인 프레임워크를 제시하며, 의료 영상의 신뢰성 확보에 중요한 기여를 하는 논문이다.