연구 목적. 지도학습에 기반한 노이즈 제거(denoising) 모델은 의료영상 분야에서 제안되어 왔다. 그러나 디지털 단층촬영(digital tomosynthesis, DT) 영상에서 이를 임상적으로 적용할 수 있는 가능성은 제한적이며, 이는 허용 가능한 영상 품질을 제공하기 위해 대량의 학습 데이터가 필요하고 손실을 최소화하는 데 어려움이 있기 때문이다. 강화학습(reinforcement learning, RL)은 과제를 수행하기 위해 소량의 학습 데이터로도 보상을 최대화하는 최적의 정책(optimal pollicy)을 제공할 수 있다. 본 연구에서는 기계학습 기반 노이즈 제거 모델의 성능을 향상시키기 위해 DT 영상에서 다중 에이전트 RL(multi-agent RL)에 기반한 노이즈 제거 모델을 제시하였다. 연구 방법. 제안된 다중 에이전트 RL 네트워크는 공유 서브네트워크(shared sub-network), 보상 맵 합성곱(reward map convolution, RMC) 기법이 적용된 value 서브네트워크, 그리고 합성곱 순환 게이트형 순환 유닛(convolutional gated recurrent unit, convGRU)을 포함하는 policy 서브네트워크로 구성되었다. 각 서브네트워크는 각각 특징 추출, 보상 계산 및 행동 실행을 수행하도록 설계되었다. 제안 네트워크의 에이전트는 각 영상 픽셀에 할당하였다. 네트워크 학습 동안 정확한 노이즈 특성을 전달하기 위해 DT 영상에 웨이블릿(wavelet) 변환과 앙상브(Anscombe) 변환을 적용하였다. 네트워크 학습은 임상 CT 영상을 이용해 구축한 3차원 디지털 흉부 팬텀(digital chest phantoms)에서 획득한 DT 영상을 사용하여 수행하였다. 제안된 노이즈 제거 모델의 성능은 신호대잡음비(signal-to-noise ratio, SNR), 구조적 유사도(structural similarity, SSIM), 피크 신호대잡음비(peak signal-to-noise ratio, PSNR) 관점에서 평가하였다. 주요 결과. 지도학습(supervised learning)에 비해 제안된 노이즈 제거 모델은 SSIM과 PSNR을 유사하게 유지하면서 출력 DT 영상의 SNR을 20.64% 향상시켰다. 또한 웨이블릿 및 앙상브 변환을 적용한 출력 DT 영상의 SNR은 각각 지도학습에 비해 25.88% 및 42.95% 더 높았다. 의의. 다중 에이전트 RL 기반 노이즈 제거 모델은 고품질의 DT 영상을 제공할 수 있으며, 제안된 방법은 기계학습 기반 노이즈 제거 모델의 성능 향상을 가능하게 한다.