EDCNN: 복합 손실을 갖춘 에지 강조 기반 밀집 연결 네트워크를 이용한 저선량 CT 노이즈 제거

최근 수십 년 동안, 컴퓨터 단층촬영(CT)에서 X선 노출 위험을 줄이기 위해 저선량 CT 영상의 노이즈 제거 기술에 대한 연구가 광범위하게 이루어져 왔으며, 이는 의료 영상 분야에서 중요한 연구 과제로 자리 잡았다. 최근에는 딥러닝 기술의 급속한 발전에 따라 컨볼루션 신경망(Convolutional Neural Network, CNN)을 이 작업에 적용한 다양한 알고리즘이 등장하였으며, 희망적인 성과를 거두고 있다. 그러나 여전히 노이즈 제거 효율이 낮거나 결과 영상이 과도하게 매끄러워지는 등의 문제들이 존재한다. 본 논문에서는 엣지 강화 기반의 밀집 연결 컨볼루션 신경망(Edge enhancement based Densely connected Convolutional Neural Network, EDCNN)을 제안한다. 제안하는 네트워크에서는 새로운 가중치 학습 가능한 소벨 컨볼루션(Trainable Sobel Convolution)을 활용하여 엣지 강화 모듈을 설계하였으며, 이 모듈을 기반으로 밀집 연결 구조를 구축하여 추출된 엣지 정보를 효과적으로 융합함으로써 엔드 투 엔드(end-to-end) 영상 노이즈 제거를 실현하였다. 또한 모델 학습 과정에서 MSE 손실과 다중 스케일 페르셉추얼 손실(Multi-scales Perceptual Loss)을 결합한 복합 손실(Compound Loss)을 도입함으로써 과도한 매끄러움 문제를 해결하고, 노이즈 제거 후 영상 품질이 크게 향상됨을 확인하였다. 기존의 저선량 CT 영상 노이즈 제거 알고리즘들과 비교하여, 본 연구에서 제안하는 모델은 세부 정보 보존 능력과 노이즈 억제 성능 측면에서 우수한 성능을 나타내었다.