MedDeblur: 잔차 밀도 공간 비대칭 주의를 활용한 의료 영상 흐림 제거

의료 영상 촬영 장치는 호흡 및 환자 움직임으로 인해 흐릿한 영상을 생성하기 쉬운 취약성을 가지고 있다. 이러한 맥락에서 블라인드 운동 흐림 제거 기법은 의료 영상 흐림 제거에 있어 중요한 영향을 미치고 있으나, 여전히 연구가 부족한 상태이다. 본 연구는 다중 모달 의료 영상에서의 흐림 제거를 학습하기 위한 엔드투엔드 스케일 순환 심층 신경망을 제안한다. 제안된 네트워크는 공간적 비대칭 주의 메커니즘을 갖춘 새로운 잔차 밀집 블록을 포함하여, 의료 영상의 흐림 제거를 학습하는 동시에 주요 정보를 효과적으로 복원한다. 제안된 방법의 성능은 기존의 흐림 제거 기법들과의 밀도 높은 비교를 통해 평가되었으며, 실험 결과 제안된 방법이 시각적으로 방해되는 아티팩트 없이 의료 영상의 흐림을 효과적으로 제거할 수 있음을 입증하였다. 또한 정성적 및 정량적 평가에서 기존의 심층 흐림 제거 기법들에 비해 뚜렷한 성능 우위를 보였다. 더불어, 세그멘테이션 및 탐지와 같은 다양한 의료 영상 분석 작업에 제안된 방법을 통합함으로써 그 적용 가능성을 검증하였다. 제안된 흐림 제거 방법은 흐린 의료 입력 영상에서 흐림을 제거함으로써 이러한 의료 영상 분석 작업의 처리 속도를 가속화하는 데 기여한다.