Transformer·DNN 기반 CTR 및 포지션 추정, 온디바이스 방사선 영상 AI 연구

Transformer/DNN-based CTR and position estimation and on-device radiation imaging AI

연구 내용

파형·TOT 신호에 대해 Transformer와 DNN을 적용하여 CTR/포지션을 추정하고 방사선 영상 변환 및 온디바이스 모니터링을 구현하는 연구

최용 연구실은 PET 검출 신호의 시간·공간 품질을 향상하기 위해 딥러닝 기반 신호처리를 수행합니다. Transformer의 self-attention을 이용해 coincidence 타이밍 스펙트럼의 peak position 선형성을 유지하면서 CTR을 개선하는 접근을 적용하며, CNN 대비 성능을 비교합니다. 또한 FPGA에서 구현 가능한 MLP를 통해 TOT의 비선형성으로 인한 flood image 품질 저하를 보정하여 포지션 및 에너지 관련 정확도를 확보합니다. 아울러 학습 데이터 획득 시간을 줄이기 위한 학습 데이터 합성 가능성을 검토하고, 생성형 모델 기반 이미지 변환 기술을 PET 영상 맥락의 처리 파이프라인에 연결하는 방향으로 확장합니다.

관련 프로젝트

2건

연구 흐름

연구는 TOF-PET 출력 파형 데이터를 입력으로 하여 CTR을 예측하는 딥러닝 적용에서 출발했습니다. 이후에는 CNN의 개선 한계를 확인하고, self-attention 기반 Transformer 구조로 전역 정보를 효과적으로 반영해 CTR과 선형성을 동시에 만족시키는 방법을 개발했습니다. 다음 단계에서는 네트워크 구조 수정과 학습 데이터 획득량 감소를 함께 고려하여 실험 시간 효율을 개선하는 방향으로 확장했습니다. 또한 TOT 기반 신호의 비선형성 문제를 FPGA 상의 MLP로 보정하여 위치 추정을 정확화하는 흐름을 구축했습니다. 생성형 모델을 이용한 이미지 변환 관련 기술과 결합하고, 온디바이스 엣지 컴퓨팅과 방사능 누출 모니터링 과제로 적용 범위를 넓혔습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

Transformer 기반 CTR 추정 알고리즘
훈련 데이터 합성 기반 데이터획득 단축
FPGA MLP 기반 TOT 비선형 보정
딥러닝 기반 시간 분해능 강화
딥러닝 기반 포지션 추정 실시간화
생성형 모델 기반 PET 이미지 변환
온디바이스 엣지 방사선 신호처리
방사능 누출 영상 모니터링 시스템
노이즈 강인 타이밍 보정 파이프라인
재난 현장 방사선 감시 자동화