저선량 흉부 CT에서 딥러닝 기반 영상재구성 및 폐결절 정량평가 연구

Deep Learning Image Reconstruction and Quantitative Pulmonary Nodule Assessment for Ultrlow-Dose Chest CT

연구 내용

저선량 흉부 CT에서 딥러닝 기반 영상재구성으로 잡음과 영상품질을 개선하고, Lung-RADS 분류 및 폐결절 용적 정량을 평가하는 연구

저선량 흉부 CT에서 딥러닝 기반 영상재구성(DLIR)이 영상 잡음과 신호대잡음비에 미치는 영향을 비교하여 재구성 품질을 정량화합니다. 이를 기반으로 Lung-RADS 1.1 기반 판독과 자동화된 폐결절 도구를 통해 시각적 분류 및 용적 정량이 저선량 조건에서도 재현되는지 검증합니다. 또한 흉부 CT·흉부 X선 영역에서 인공지능 적용 동향과 실무적 고려사항을 정리하여 영상 획득-재구성-평가 파이프라인의 활용성을 확장합니다.

관련 프로젝트

0건

연구 흐름

초기에는 흉부 영상에서 인공지능 적용이 진단과 관리 의사결정에 어떻게 활용되는지 검토하고, CT·흉부 X선의 임상 흐름에서 요구되는 성능 기준을 정리했습니다. 이후 딥러닝 기반 영상재구성 기술을 저선량 흉부 CT에 적용하여 영상 품질 개선이 Lung-RADS 분류와 결절 용적 측정에 미치는 영향을 전향적으로 확인하는 방향으로 연구를 확장했습니다. 최근에는 저선량 조건에서 관찰자 판독과 자동화 도구의 일치성과 용적 차이를 함께 평가해, 정량 기반 판독 안정성을 확보하는 데 집중하고 있습니다.

활용 가능성

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

저선량 폐암 스크리닝 프로토콜 최적화
Lung-RADS 기반 자동 판독 보조
폐결절 용적 변화 추적 모델
영상재구성 파라미터 비교 체계
임상 워크플로 통합형 평가 도구
결절 크기 기반 위험도 계층화
저선량 CT 품질보증(QA) 지표
다기관 검증용 데이터 표준화
환자 선량 절감 의사결정 지원
원격 판독 보조 시스템 구현