연구실의 또 다른 대표 분야는 이중에너지 CT 및 X선 영상 기반의 물질분별 기술이다. 서로 다른 에너지 대역에서 획득한 투영 데이터를 이용하면 조직, 조영제, 금속, 생체 물질 및 비의료 대상 물질의 감쇠 특성을 구분할 수 있으며, 이는 단순한 형태 영상에서 나아가 기능적·정량적 정보 획득으로 이어진다. 조승룡 연구실은 단일 스캔 기반 이중에너지 영상 획득을 가능하게 하는 빔 필터 구조와 이를 활용한 재구성 알고리즘을 통해 시스템 복잡도를 낮추면서도 실용적인 성능을 확보하는 연구를 수행해 왔다. 대표적으로 multi-slit filter, 사선형 동적 X선 필터, beam-filter 기반 gantry형 CT 기법 등은 기존 하드웨어에 최소한의 수정만으로 저선량 이중에너지 영상을 구현하려는 시도이다. 이러한 데이터는 에너지별 노이즈 특성이 크게 다르기 때문에, 연구실은 joint sparsity, gradient magnitude image 정규화, empirical dual-energy calibration, 스펙트럼 기반 동시 재건 등의 방법을 개발하여 저에너지·고에너지 영상 간 상호보완 정보를 활용한다. 이를 통해 물질 분해 정확도와 영상 안정성을 함께 향상시키는 것이 특징이다. 이 연구는 진단 CT뿐 아니라 유방 단층촬영, 화물 및 수화물 검색, 보안 검색장비, 광자계수 CT, 입자빔 치료용 stopping power 추정 등 매우 넓은 응용 범위를 가진다. 의료 분야에서는 조영제 구분, 병변 특성 분석, 치료계획 정밀화에 기여할 수 있고, 산업 및 보안 분야에서는 위험 물질 탐지와 이종 물질 판별에 활용될 수 있다. 따라서 본 연구 주제는 의료물리, 영상공학, 검출기 기술, 알고리즘 설계가 긴밀하게 결합된 융합 연구의 성격을 강하게 보여준다.

조승룡 연구실은 디지털 유방 단층촬영(DBT)을 포함한 특수 X선 영상 시스템의 설계와 영상처리 기술도 활발히 연구하고 있다. DBT는 제한된 각도에서 획득된 투영 데이터를 바탕으로 3차원 정보를 재구성하는 방식이기 때문에, 일반 CT와는 다른 아티팩트와 해상도 문제를 가진다. 연구실은 저선량·고해상도·고속·다중각도 DBT 시스템 개발을 목표로 하여 영상 재구성 알고리즘, 산란 보정, 유방 두께 보정, synthetic mammogram 생성, 병변 검출 보조 기술을 통합적으로 개발하고 있다. 특히 고밀도 물체로 인한 ripple artifact, undershoot artifact, 제한각 복원 한계, 산란선 영향 등 DBT의 고질적 문제를 해결하기 위해 backprojection filtration 기반 재구성, 영상 블렌딩, 물체 분할 유도 보정, 딥러닝 기반 산란 추정 및 denoising 기법이 활용된다. 더 나아가 듀얼에너지 DBT, CNT 기반 다중 X선 소스 배열, slab image synthesis, 사전 촬영 데이터 기반 병변 분류 등 시스템 수준의 연구도 함께 수행되고 있다. 이는 단순 알고리즘 연구를 넘어 하드웨어 구조와 임상 활용 방식까지 고려한 종합적 연구 전략을 보여준다. 이러한 연구는 유방암 조기검진의 정확도 향상과 판독 시간 단축, 저선량 검사 구현, CAD와의 결합을 통한 임상 효율성 제고로 이어질 수 있다. 또한 이동형 X선 장치, 흉부 합성영상, 치과 파노라마 및 CBCT 응용으로 기술이 확장되고 있어, 다양한 임상 시나리오에서 X선 영상의 활용성을 높이는 기반이 된다. 결과적으로 이 연구 분야는 정밀 진단 영상의 품질을 높이고, 실제 의료기기 상용화로 연결될 수 있는 높은 응용성을 가진다.

최근 연구실은 전통적인 영상물리 및 재구성 연구를 기반으로 의료영상 인공지능 분야로 연구영역을 적극 확장하고 있다. 이 연구는 영상 생성, 노이즈 제거, 도메인 적응, 분할, 병변 탐지, 자동 판독, 치료 예후 예측 등 임상 의사결정을 지원하는 알고리즘 개발을 포함한다. 특히 이동형 X선 진단장치, 흉부 영상, 치과 영상, 방사선치료용 CBCT와 같은 데이터 품질이 균일하지 않은 환경에서 강건하게 작동하는 인공지능 기술 개발에 초점을 두고 있다. 연구실은 diffusion model, CycleGAN, U-Net, YOLO, 지식 증류, self-supervised learning, patient-specific deep learning 등 다양한 현대적 딥러닝 기법을 적용한다. 이를 통해 제한된 데이터에서 CT slice를 생성하거나, 금속 아티팩트를 줄이거나, 산란을 보정하거나, 치아·악골·표적체적을 자동 분할하는 문제를 해결하고 있다. 또한 mobile imaging 환경에서의 도메인 적응, 데이터 균질화, 다중모달 학습 기반 위험도 예측 등 실제 임상 환경의 불완전성을 고려한 연구가 다수 수행되고 있다는 점이 특징이다. 이러한 연구는 의료 소외 지역에서의 이동형 검진, 방사선치료 적응 계획, 치과 수술 가이드, 자동 진단 지원 시스템으로 이어질 수 있다. 즉, 연구실의 인공지능 연구는 단순 분류 정확도 향상에 머무르지 않고, 영상획득-재구성-후처리-판독-치료지원으로 이어지는 의료영상 전주기를 통합하는 방향으로 발전하고 있다. 이는 물리 기반 모델과 데이터 기반 학습을 결합한 하이브리드 의료영상 AI 연구라는 점에서 차별성을 가진다.

조승룡 연구실의 핵심 연구축 가운데 하나는 저선량 환경에서도 진단적 가치를 유지할 수 있는 CT 및 CBCT 단층영상 재구성 기술이다. 이 연구는 환자 피폭을 줄이면서도 해상도, 대조도, 정량성, 구조 보존성을 확보하는 것을 목표로 한다. 특히 sparse-view, many-view under-sampling, limited-angle, offset-detector와 같은 불완전 측정 조건에서 발생하는 화질 저하 문제를 해결하기 위해 물리 기반 모델과 최적화 기법을 결합한 영상재건 알고리즘을 지속적으로 발전시키고 있다. 연구실은 반복 재구성, total variation 최소화, joint sparsity, backprojection-filtration, 데이터 일관성 기반 보정, 산란선 및 빔경화 보정 등 다양한 기법을 활용해 저선량 CT 영상의 한계를 극복한다. 최근에는 meta-learning, neural attenuation field, hash encoding regularization, diffusion prior와 같은 최신 인공지능 방법론도 접목하여 희박뷰 CT 복원과 금속 아티팩트 저감, 노이즈 억제, 구조적 세부정보 복원 성능을 고도화하고 있다. 이러한 접근은 단순한 후처리를 넘어 측정 데이터와 재구성 과정 전체를 함께 최적화한다는 점에서 높은 학술적·실용적 의미를 가진다. 이 연구는 영상유도방사선치료, 치과용 CBCT, 이동형 X선 시스템, 초고속 dynamic CT, 관절질환 특화 CT 등 다양한 임상 및 산업 응용으로 확장되고 있다. 연구실은 화질 개선뿐 아니라 정량 영상화, 실시간성, 장비 적용성, 임상 workflow 적합성까지 고려한 기술 개발을 수행하고 있어 의료영상 시스템의 실제 현장 도입 가능성을 높이고 있다. 궁극적으로는 더 적은 선량으로 더 정확한 영상을 제공하여 환자 안전성과 진단·치료 효율을 동시에 향상시키는 것이 이 연구 주제의 중요한 목표이다.