전자 토모그래피 (3D 재구성, Missing Wedge, 딥러닝)

전자 토모그래피 (3D 재구성, Missing Wedge, 딥러닝)

 

TEM 이미지 하나면 시료 내부를 다 볼 수 있다고 생각하셨나요?  그런데 실제로 반도체 나노구조를 들여다보다 보니, 2D 이미지로는 도저히 구분되지 않는 구조들이 있었습니다. 이 기법은 3D 재구성을 통해 단일 이미지의 한계를 넘지만, 동시에 Missing Wedge와 같은 구조적 제약도 안고 있습니다.

3D 재구성, 왜 2D 이미지로는 부족했을까

TEM, 즉 투과전자현미경(Transmission Electron Microscopy)은 전자빔을 시료에 투과시켜 내부 구조를 관찰하는 분석 장비입니다. 쉽게 말해 빛 대신 전자를 쓰는 현미경인데, 해상도가 워낙 높아 나노미터 단위의 구조까지 볼 수 있습니다. 그런데 문제는 이 이미지가 어디까지나 '투영(projection)'이라는 점입니다. 3차원 시료를 특정 방향 하나에서 납작하게 눌러 본 것과 같습니다.

제가 직접 나노입자 샘플을 관찰했을 때, 두 입자가 서로 연결되어 있는지 단순히 겹쳐 보이는 것인지 이미지 한 장으로는 구분하기가 정말 어려웠습니다. 이건 경험 부족의 문제가 아니라 2D 이미지가 가진 본질적인 한계였습니다. 전자 토모그래피는 바로 이 문제를 해결하기 위해 시료를 여러 각도로 기울여가며 수십 장에서 수백 장의 틸트 이미지(tilt series)를 촬영합니다. 여기서 틸트 이미지란 시료를 일정 각도 간격으로 기울이며 연속 촬영한 이미지 세트를 말합니다.

이렇게 모인 이미지들을 정렬하고 수학적 알고리즘으로 계산하면 3D 볼륨이 만들어집니다. 가장 널리 쓰이는 방식이 Weighted Back Projection(WBP)인데, 여기서 WBP란 각 투영 이미지를 역방향으로 '되돌려 쌓아' 3차원 공간을 복원하는 기법입니다. 마치 CT 촬영에서 단면 이미지를 쌓아 입체 구조를 만드는 원리와 비슷합니다. 실제로 이 방식으로 재구성된 3D 볼륨을 처음 봤을 때, 2D 이미지에서는 보이지 않던 기공의 연결 구조가 명확하게 드러나는 걸 보고 꽤 인상적이었습니다(출처: Ercius et al., Advanced Materials, 2015).

재료과학 분야에서 이 기법의 활용 범위는 생각보다 넓습니다. 반도체 소자의 배선 구조, 배터리 전극 내부의 기공 분포, 촉매 나노입자의 표면 형태까지 입체 정보가 필요한 곳이라면 거의 다 들어갑니다. 다만 저는 이 과정에서 한 가지 중요한 사실을 깨달았습니다. 3D 결과물이 시각적으로 그럴싸해 보인다고 해서 그게 곧 실제 구조와 일치한다는 뜻은 아니라는 것입니다. 결과를 얼마나 신뢰할 수 있는지는 촬영 조건과 정렬 품질, 그리고 재구성 알고리즘의 선택에 따라 크게 달라집니다.

• 틸트 이미지(tilt series): 시료를 여러 각도로 기울이며 연속 촬영한 이미지 세트
• WBP(Weighted Back Projection): 투영 이미지를 역방향으로 쌓아 3D 공간을 복원하는 알고리즘
• 이미지 정렬(alignment): 각 틸트 이미지의 위치를 맞추는 전처리 과정으로, 정렬 오차가 재구성 품질에 직결됨
• 3D 세그멘테이션(segmentation): 재구성된 볼륨에서 특정 구조를 분리해 정량 분석하는 후처리 단계

요약: 전자 토모그래피는 TEM 2D 이미지의 투영 한계를 극복하기 위해 틸트 시리즈를 촬영하고 WBP 등의 알고리즘으로 3D 구조를 재구성하는 기법이며, 결과의 신뢰도는 촬영 조건과 정렬 품질에 크게 좌우됩니다.

 

Missing Wedge와 딥러닝, 문제는 해결됐을까

전자 토모그래피를 공부하면서 가장 솔직히 당혹스러웠던 부분이 바로 Missing Wedge 문제였습니다. 이름도 직관적인데, Missing Wedge란 시료를 기울일 수 있는 각도에 물리적 한계가 있기 때문에 특정 방향의 투영 이미지를 아예 획득하지 못하는 현상입니다. 쉽게 말해 전체 각도 중 일부가 '빈 쐐기' 모양으로 빠져버리는 것입니다. 보통 ±70° 정도가 한계인 경우가 많은데, 그 이상으로 기울이면 시료 홀더나 전자 컬럼이 물리적으로 간섭을 일으킵니다.

이 빠진 각도 범위가 재구성 결과에 미치는 영향은 꽤 큽니다. 재구성된 나노입자의 단면이 실제보다 납작하게 늘어나거나, 특정 방향의 경계면이 흐릿하게 표현되는 왜곡이 발생합니다. 제 경험상 이 부분을 처음 접할 때 결과 이미지만 보고 "구조가 원래 이렇게 생겼구나"라고 넘어가기 쉬운데, 그게 상당히 위험한 해석입니다. 재구성 결과가 선명하고 입체적으로 보인다고 해서 무조건 신뢰해서는 안 된다는 이유가 바로 여기에 있습니다(출처: Microscopy, Three-dimensional electron tomography and recent expansion of its applications in materials science).

최근 이 문제를 해결하려는 시도로 딥러닝 기반 재구성 기법이 주목받고 있습니다. 2024년 Nature Communications에 발표된 연구에서는 딥러닝을 활용해 Missing Wedge로 인한 정보 손실을 보완하고 동시에 노이즈까지 줄이는 방법을 제안했습니다. 이 접근은 전통적인 WBP의 한계를 넘어서려는 시도로, 실제로 크라이오 전자 토모그래피(cryo-ET) 분야에서 의미 있는 결과를 보여줬습니다. 여기서 cryo-ET란 시료를 영하 200도 이하의 극저온 상태로 냉각해 구조를 보존한 채 분석하는 기법입니다.

그렇다고 딥러닝이 모든 문제를 해결한 것처럼 봐서는 곤란합니다. 새로운 알고리즘을 적용했다는 사실이 구조적 왜곡을 완전히 제거한다는 뜻은 아닙니다. 학습 데이터의 편향이나 모델 구조에 따라 실제로 존재하지 않는 구조가 만들어질 가능성도 있습니다. 저는 이 점이 앞으로 전자 토모그래피 분야에서 가장 신중하게 다뤄야 할 부분이라고 생각합니다. 기술이 정교해질수록, 결과를 생산한 과정과 그 한계를 이해하는 분석자의 역할이 오히려 더 중요해집니다. 아무리 좋은 알고리즘도 원본 틸트 이미지의 품질이 나쁘면 결과를 보장할 수 없고, 재구성 과정에서 발생한 아티팩트를 알아채는 것도 결국 사람의 몫입니다.

 

요약: Missing Wedge는 기울임 각도의 물리적 한계로 발생하는 정보 손실이며, 딥러닝 기반 재구성이 이를 보완하는 데 기여하고 있지만 알고리즘 신뢰성 검증과 분석자의 판단은 여전히 핵심입니다.

 

자주 묻는 질문

Q. 전자 토모그래피와 일반 TEM 분석은 뭐가 다른가요?

A. 일반 TEM은 특정 방향 하나에서 시료를 투과한 2D 이미지를 제공합니다. 반면 전자 토모그래피는 시료를 여러 각도로 기울이며 촬영한 틸트 시리즈를 바탕으로 3D 구조를 재구성합니다. 나노구조가 복잡하거나 구성 요소 간의 입체적인 관계를 파악해야 할 때 전자 토모그래피가 훨씬 많은 정보를 줍니다. 다만 데이터 획득과 처리에 상당한 시간과 노력이 필요하다는 점도 함께 고려해야 합니다.

 

Q. Missing Wedge 문제는 어떻게 줄일 수 있나요?

A. 기본적으로는 촬영 가능한 틸트 범위를 최대한 넓히거나, 두 방향에서 틸트 시리즈를 촬영하는 dual-axis tomography 방식을 사용하면 Missing Wedge의 영향을 줄일 수 있습니다. 최근에는 딥러닝 기반 재구성 알고리즘이 누락된 각도 정보를 보완하는 데 활용되고 있지만, 알고리즘이 실제로 없는 구조를 만들어낼 가능성도 있어 결과 해석 시 주의가 필요합니다.

 

Q. 전자 토모그래피 재구성 결과는 얼마나 신뢰할 수 있나요?

A. 재구성 결과의 신뢰도는 원본 틸트 이미지의 품질, 이미지 정렬 정확도, 시료의 안정성, 그리고 사용된 재구성 알고리즘에 따라 달라집니다. 시각적으로 선명한 3D 이미지가 곧 실제 구조와 일치한다는 뜻은 아닙니다. 원본 틸트 이미지와 재구성 결과를 함께 검토하고, 가능하면 다른 분석 기법의 결과와 비교해 해석의 근거를 보완하는 것이 좋습니다.

 

Q. 전자빔에 민감한 시료도 전자 토모그래피로 분석할 수 있나요?

A. 가능은 하지만 상당히 까다롭습니다. 여러 각도에서 반복적으로 전자빔을 조사해야 하기 때문에 시료가 손상되거나 구조가 변형될 가능성이 높습니다. 이런 경우 low-dose 촬영 조건을 설정하거나, 극저온에서 시료를 고정하는 cryo-ET 방식을 활용합니다. 총 전자 조사량을 엄격하게 관리하는 것이 데이터 일관성을 유지하는 핵심입니다.

 

결론

전자 토모그래피는 2D 이미지가 줄 수 없는 입체적 구조 정보를 제공한다는 점에서 재료과학 분야에서 분명히 가치 있는 분석 기법입니다. 하지만 제가 이 기법을 살펴보면서 가장 크게 느낀 것은, 3D 재구성 결과가 얼마나 정교하게 보이든 그것이 만들어진 과정을 이해하지 않으면 오히려 잘못된 결론으로 이어질 수 있다는 점입니다.

앞으로 딥러닝 기반 재구성 알고리즘이 더 발전하더라도, 원본 틸트 이미지를 직접 확인하고 촬영 조건과 재구성 과정에서 발생할 수 있는 아티팩트를 검토하는 태도는 사라지지 않을 것입니다. 오히려 데이터가 더 정교해질수록 그것을 비판적으로 검증할 수 있는 안목이 더 중요해진다고 생각합니다. 전자 토모그래피 분석을 시작하려는 분이라면, 화려한 3D 이미지보다 그 뒤에 있는 원본 데이터와 분석 조건부터 꼼꼼하게 살펴보시길 권합니다.

 

참고: Ercius et al. (2015), Electron Tomography: A Three-Dimensional Analytic Tool for Hard and Soft Materials Research, Advanced Materials / Three-dimensional electron tomography and recent expansion of its applications in materials science, Microscopy / Wiedemann & Heckel (2024), A deep learning method for simultaneous denoising and missing wedge reconstruction in cryogenic electron tomography, Nature Communications