의료 영상 잡음 제거를 위한 적대적 왜곡 학습

우리는 2차원 및 3차원 (2D/3D) 의학 영상 데이터의 노이즈 제거를 위한 새로운 적대적 왜곡 학습 (Adversarial Distortion Learning, ADL) 방법을 제시합니다. 제안된 ADL은 두 개의 오토인코더로 구성되며, 이는 노이즈 제거기와 판별기입니다. 노이즈 제거기는 입력 데이터에서 노이즈를 제거하고, 판별기는 노이즈가 제거된 결과와 무노이즈 원본을 비교합니다. 이 과정은 판별기가 노이즈가 제거된 데이터와 참조 데이터를 구분할 수 없을 때까지 반복됩니다. 노이즈 제거기와 판별기는 모두 Efficient-Unet이라는 제안된 오토인코더 위에 구축되었습니다. Efficient-Unet은 잔여 블록과 백본에서 새로운 피라미드 접근 방식을 사용하여 특성 맵을 효율적으로 추출하고 재사용하는 경량 아키텍처를 가지고 있습니다. 훈련 중에는 두 가지 새로운 손실 함수를 통해 질감 정보와 대비가 조절됩니다. Efficient-Unet의 아키텍처는 제안된 방법을 모든 종류의 의학 데이터에 일반화할 수 있게 합니다. 우리의 2D 네트워크는 ImageNet에서 훈련되었으며, ImageNet과 완전히 다른 분포를 가진 의학 데이터셋에서 테스트되었습니다; 따라서 재훈련(re-training)이 필요하지 않습니다. 자기 공명 영상(MRI), 피부경 검사(dermatoscopy), 전자현미경(electron microscopy) 및 X선(X-ray) 데이터셋에서 수행한 실험 결과는 제안된 방법이 각 벤치마크에서 최고의 성능을 달성함을 보여줍니다. 우리의 구현 및 사전 훈련(pre-trained) 모델은 https://github.com/mogvision/ADL에서 제공됩니다.