FlowPET: Physics-Informed Symplectic Flow Matching for Low-Count PET Reconstruction

Motivation

• Known: 기존 deterministic 방법은 posterior mean을 근사하여 regression-to-the-mean 현상으로 인해 고주파 텍스처와 미세 병변이 손실되며, SDE 기반 diffusion model은 dissipative dynamics를 통해 sampling trajectory를 안정화시켜 텍스처 사실성을 향상시킨다.
• Gap: 기존 diffusion 기반 확률적 solver는 본질적으로 negative divergence(∇·v < 0)를 갖는 dissipative dynamics에 의존하는데, 이는 노이즈와 희소한 병변 신호를 구분하지 못하고 무차별적으로 phase-space volume을 수축시켜 저대비 병변 신호를 numerical extinction으로 소실시킨다. 또한 symplectic/Hamiltonian 구조는 기존에 unconditional generation이나 물리 시뮬레이션에만 적용되었을 뿐, data consistency 제약이 필요한 ill-posed inverse problem에는 적용된 바 없다.
• Why: low-count PET에서 방사선량을 줄이면서도 조기 진단에 결정적인 미세 병변 신호를 보존하는 것은 임상적으로 매우 중요하며, 기존 생성모델의 dissipative한 기하학적 한계를 규명하고 이를 구조적으로 해결하는 것은 의료 역문제 전반에 파급력이 있는 통찰이다.
• Approach: posterior dynamics를 Separable Hamiltonian System으로 매개변수화하여 divergence-free vector field를 구조적으로 보장하고, PET operator의 Range-Null space decomposition에 기반한 conjugate boundary condition으로 이 conservative flow를 데이터에 부합하도록 조향한다.

Achievement

1. Symplectic Generative Framework: separable Hamiltonian dynamics를 이용해 divergence-free transport를 보장하는 FlowPET을 제안하여, dissipative 모델에서 만연한 signal wash-out을 phase-space volume 불변성 유지로 이론적으로 방지한다.
2. Physics-Informed Orthogonality: Range-Null space decomposition에 기반한 phase-space boundary 전략을 도입하여 range space에서는 data consistency를 엄격히 강제하고 null space에서는 stochastic exploration을 제한함으로써 fidelity와 diversity의 충돌을 해결한다.
3. Structure-Preserving Inference: symplectic Leapfrog integrator를 구현하여, 엄격한 기하학적 보존이 다양한 low-count 데이터셋(BrainWeb, clinical pediatric, UDPET)에서 최신 baseline 대비 저대비 병변 보존에 우수함을 입증한다.

How

• Poisson 통계를 따르는 low-count PET sinogram 관측 모델 y ∼ Poisson(Ax)에서 posterior p(x|y)를 샘플링하는 문제를 continuous-time generative transport 문제로 재구성한다.
• Conditional Flow Matching 프레임워크를 기반으로 하되, vector field를 이미지 manifold가 아닌 auxiliary momentum 변수를 포함한 symplectic phase space로 확장한다.
• Separable Hamiltonian System으로 vector field를 매개변수화하여 Liouville's Theorem을 엄격히 만족시키고 구조적으로 divergence-free 성질을 보장한다.
• PET forward operator A의 Range-Null space decomposition을 활용해, momentum 변수(range space)에는 data consistency gradient를 인코딩하고 stochastic uncertainty injection은 orthogonal null space로 국한하는 conjugate boundary condition을 설계한다.
• symplectic flow matching으로 모델을 학습하고, 추론 시 symplectic leapfrog integrator를 사용해 구조 보존적 수치 적분을 수행한다.
• BrainWeb, clinical pediatric, UDPET 데이터셋에서 SSIM, PSNR 및 저대비 병변 회복 성능을 정량·정성적으로 평가한다.

Originality

• 생성모델의 확산/SDE 기반 posterior sampling이 갖는 dissipative한 기하학적 특성(음의 divergence)을 병변 신호 소실("wash-out")의 근본 원인으로 명시적으로 규명한 관점이 참신하다.
• Hamiltonian/symplectic 구조를 unconditional generation이나 물리 시뮬레이션이 아닌 ill-posed inverse problem(PET 재구성)에 처음으로 적용하여 conservative flow를 data consistency 제약과 결합했다.
• Range-Null space decomposition을 phase-space의 conjugate boundary condition 설계에 접목하여, momentum 공간에는 물리적 fidelity 제약을, null space에는 확률적 다양성 탐색을 분리 배치하는 구조적 설계가 독창적이다.

Limitation & Further Study

• 논문 발췌에는 계산 비용(leapfrog integrator의 step 수, 추론 시간)에 대한 구체적 비교가 제시되지 않아 실제 임상 적용 시 효율성 검증이 필요하다.
• Separable Hamiltonian 가정이 모든 PET 시스템 행렬 A(비선형/시간가변 시스템 포함)에 일반화되는지에 대한 이론적 한계가 명확히 논의되지 않았다.
• volume preservation이 노이즈 억제 메커니즘을 스스로 갖지 못한다는 점을 저자들도 인정하고 있어, Range-Null 경계 조건 설계에 의존하는 노이즈 제어의 강건성에 대한 추가 검증(다양한 count level, 노이즈 통계)이 필요하다.
• 향후 연구로 3D volumetric PET, 전신 스캔, 다른 modality(CT, MRI) 역문제로의 확장 가능성을 탐구할 수 있다.

Evaluation

총평: 확산 모델의 dissipative한 기하학적 한계를 병변 신호 소실의 근본 원인으로 짚어내고, symplectic Hamiltonian dynamics와 Range-Null space 물리적 제약을 결합해 이를 구조적으로 해결한 독창적이고 임상적으로 의미 있는 연구이다. 다만 계산 효율성과 일반화 가능성에 대한 추가 검증이 뒷받침된다면 완성도가 더욱 높아질 것이다.