영상 및 비디오 조작은 멀티미디어 편집 기술의 발전과 함께 최근 몇 년 동안 활발히 활용되어 왔다. 그러나 비디오 프레임 내에서 객체를 추가하거나 제거하는 객체 기반 비디오 변조는 동영상의 진위성을 검증하기 어렵기 때문에 도전 과제를 제기하고 있다. 본 논문에서는 새로운 객체 기반 프레임 식별 네트워크를 제시한다. 제안하는 방법은 대칭적으로 중첩된 모션 잔차(symmetrically overlapped motion residuals)를 활용하여 비디오 프레임의 식별 가능성을 향상시킨다. 제안된 모션 잔차 특징은 중첩된 시간적 윈도우에 기반하여 생성되므로, 비디오 시퀀스에서의 시간적 변이를 딥 뉴럴 네트워크에서 활용할 수 있다. 또한 본 논문에서는 단일 기본 컨볼루션 신경망을 학습 및 테스트하기 위한 비대칭 네트워크 구조를 도입한다. 학습 과정에서는 동일한 구조를 갖는 두 개의 네트워크를 사용하되, 각 네트워크는 서로 다른 입력 쌍을 가진다. 테스트 단계에서는 2-class 및 3-class 프레임 식별에 대응하는 두 가지 유형의 테스트 방법을 제안한다. 본 연구는 제안 방법의 식별 정확도를 기존 방법들과 비교한다. 실험 결과는 제안된 방법이 2-class 및 3-class 위조 프레임 식별 모두에 대해 타당한 식별 결과를 생성함을 보여준다.

목적: 우리는 3차원 다중 에코 그라디언트 에코(3D multi-echo gradient-echo, mGRE) 데이터 획득을 가속하고 그 결과로 생성되는 수초 물 영상(myelin water imaging, MWI) 지도(a map)의 품질을 향상시키기 위해, 공동으로 전개(unrolled)된 교차 도메인 최적화 기반 시공간 재구성 네트워크(jointly unrolled cross-domain optimization-based spatio-temporal reconstruction network, JUST-Net)라는 새로운 재구성 네트워크를 제안하였다. 방법: 전개된 교차 도메인 시공간 재구성 네트워크를 설계하였다. 핵심 아이디어는 주파수 및 시공간 영상 특징 표현을 결합하고, 두 도메인 모두에서 합성곱 층을 순차적으로 구현하는 것이다. k-공간 서브네트워크는 인접 프레임으로부터 공유 정보를 활용하는 반면, 영상 서브네트워크는 공간 및 시간 차원에 대해 각각 별도의 합성곱을 적용한다. 제안된 재구성 네트워크는 후향적 및 전향적으로 모두 가속 획득에 대해 평가하였다. 또한 시뮬레이션 연구와 실제 데이터에서 k-공간 손상이 있는 경우에 대해 운동(움직임) 인공물(motion artifact) 감소 가능성을 평가하기 위해 추가로 검증하였다. 결과: 제안된 JUST-Net은 전 뇌(whole-brain) MWI를 위한 고도로 재현 가능한 3D mGRE 가속 획득을 가능하게 하였으며, 완전 샘플링 기준 15:23에서 재구성 시간 3분 내 2:22로 획득 시간을 감소시켰다. 재구성된 mGRE 영상의 정규화 평균 제곱근 오차(normalized root mean squared error)는 4.0% 미만으로 증가하였고, MWI에 대한 상관 계수는 완전 샘플링 참조(reference)와 비교했을 때 0.68을 초과하는 값을 보였다. 더불어 제안된 방법은 시뮬레이션 및 임상에서 운동이 유발된 손상 사례 모두에서 완화 효과를 나타냈다. 결론: 제안된 JUST-Net은 3D mGRE 기반 MWI에서 높은 가속 인자를 달성할 수 있는 역량을 보여주었으며, 이는 MWI의 임상 적용을 광범위하게 촉진할 것으로 기대된다.