초음파 영상에서 스펙클(speckle) 패턴은 종종 해부학적 세부를 가려 진단의 불확실성을 초래한다. 최근 스펙클을 효과적으로 억제하기 위한 다양한 딥러닝(DL) 기반 기법들이 소개되었으나, 높은 계산 비용은 휴대용 초음파 시스템과 같은 저자원 장치에 어려움을 야기한다. 이러한 문제를 해결하기 위해 휴대용 초음파 영상에서 실시간 스펙클 저감 및 영상 향상을 위한 경량 하이브리드 DL 프레임워크인 EdgeSRIE를 소개한다. 제안된 프레임워크는 두 개의 주요 분기(branch)로 구성된다. 스펙클이 포함된 영상 간의 손실함수(loss function)를 최소화하여 학습되는 비지도 디스펙클링(despeckling) 분기와, 흐린 영상을 선명한 영상으로 복원하는 디블러링(deblurring) 분기이다. 하드웨어 구현을 위해 학습된 네트워크를 8비트 정수 정밀도로 양자화(quantized)하고, 전력 소비가 제한된 저자원 시스템온칩(SoC)에 배치한다. 팬텀(phantom) 및 생체 내(in vivo) 분석을 포함한 성능 평가에서 EdgeSRIE는 다른 기준선(baselines)들(서로 다른 2가지 규칙 기반 방법 및 다른 4가지 DL 기반 방법)과 비교하여 가장 높은 대조대잡음비(contrast-to-noise ratio, CNR)와 평균 그라디언트 크기(average gradient magnitude, AGM)를 달성하였다. 또한 EdgeSRIE는 실제 휴대용 초음파 하드웨어에서 계산 요구사항(< 20K 파라미터)을 만족하면서 초당 60프레임을 초과하는 실시간 추론을 가능하게 하였다. 이러한 결과는 자원이 제한된 환경에서 EdgeSRIE의 실시간 고품질 초음파 영상 구현 가능성을 입증하였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.