의료 영상 분석을 위한 심층 지각 향상

다수의 하드웨어적 한계로 인해 의료 영상 촬영 장치는 저품질(예: 낮은 대비, 부적절한 밝기, 노이즈 등)의 영상을 생성하기 쉬운 경향이 있다. 안타깝게도 시각적으로 손상된 영상은 진단 과정에 직접적인 영향을 미쳐 의료 전문가의 판단 과정을 상당히 복잡하게 만든다. 본 연구는 의료 영상 분석 작업의 가속화를 위해 엔드투엔드 학습 전략을 도입하여 이러한 저품질 영상을 개선하는 방법을 제안한다. 현재까지 알려진 바에 따르면, 본 연구는 완전 컨볼루션 딥 네트워크를 활용하여 대비 보정, 밝기 보정, 노이즈 제거 등 시각적 향상의 전반적인 문제를 통합적으로 다루는 최초의 의료 영상 분야 연구이다. 제안된 네트워크는 잔차 블록(residual blocks)과 잔차 게이팅 메커니즘(residual gating mechanism)을 활용하여 시각적 아티팩트를 최소화하며, 다항목 목적 함수(multi-term objective function)에 의해 시각적으로 타당한 개선된 영상의 인식을 유도한다. 제안된 딥 의료 영상 향상 기법의 실용성은 철저한 실험을 통해 평가되었으며, 실험 결과는 제안된 방법이 다양한 의료 영상 모달리티에서 기존의 향상 기법보다 피크 신호 대 잡음비(PSNR) 기준으로 5.00~7.00 dB, DeltaE 기준으로 4.00~6.00 점의 성능 향상을 달성함을 보여주었다. 더불어 본 방법은 의료 영상 분석 작업의 성능을 획기적으로 향상시킬 수 있으며, 실세계 응용에서의 잠재력을 입증하였다.