정지형 역기하 디지털 단층촬영(Stationary inverse-geometry digital tomosynthesis; s-IGDT)은 기하학적 특성으로 인해 재구성된 영상에서 절단(truncation) 인공물(artifact)을 유발한다. 본 연구는 s-IGDT 영상의 절단 인공물을 완화하기 위한 DCGAN(딥 컨볼루션 생성 적대 신경망) 기반 아웃페인팅(out-painting) 방법을 제안한다. 제안된 네트워크는 생성기(generator)에 인코더–디코더 구조를 사용하였고, 인코더와 디코더 사이에 확장(dilated) 컨볼루션 블록을 추가하였다. 또한 이중 판별기(dual-discriminator)를 사용하여 절단 영역과 비절단 영역의 생성 영상 인공성(artificiality)을 각각 구분하였다. 네트워크 학습 중 생성기는 이진 마스크(binary mask) 영상을 이용하여 절단 영역에 대한 목표 과제를 선택적으로 학습할 수 있었다. 제안 방법의 성능은 신호대잡음비(signal-to-noise ratio; SNR), 정규화 평균제곱근오차(normalized root-mean-square error; NRMSE), 피크 SNR(peak SNR; PSNR), 구조적 유사도(structural similarity; SSIM) 측면에서 기존 방법과 비교하였다. 그 결과, 제안 방법은 절단 인공물을 실질적으로 감소시키는 것으로 나타났다. 평균적으로 제안 방법은 기존 방법에 비해 SNR, PSNR, SSIM에서 각각 62.31%, 16.66%, 14.94%의 향상을 보였다. 한편 NRMSE 값은 평균 37.22% 감소하였다. 결론적으로, 제안된 아웃페인팅 방법은 s-IGDT 영상에서 절단 인공물을 완화하고 s-IGDT의 임상적 활용 가능성을 향상시키는 유망한 해결책을 제공할 수 있다.

다수의 지도학습 기반 전략이 유망한 결과를 보고해 왔으나, 디지털 단층촬영(digital tomosynthesis, DT) 영상의 노이즈 제거에서의 적용은 성능이 충분하지 않고 학습 영상이 부족하다는 한계로 인해 제한적이다. 본 연구에서는 지도학습의 단점을 극복하고 DT 영상의 노이즈 제거 모델을 제공하기 위해 다중 에이전트 강화학습(multi-agent reinforcement learning, MARL) 네트워크를 제안하였다. 제안된 네트워크는 세 개의 하위 네트워크로 구성되었으며, 그중 공유 하위 네트워크는 출력 영상에서의 특징 추출 방법의 효과를 조사하기 위해 일반 합성곱(convolution) 층, 확장(dilated) 합성곱 층 및 잔차(residual) 블록을 사용하여 다양하게 구성하였다. 그 결과, 제안 모델은 입력 영상에 비해 출력 DT 영상의 신호대잡음비(signal-to-noise ratio, SNR)와 구조적 유사도(structural similarity, SSIM)를 현저히 향상시켰으며, 잔차 블록을 사용하는 모델들의 SNR은 다른 모델들에 비해 8.58~43.53% 더 높았다. 잔차 블록을 포함한 공유 하위 네트워크는 다른 모델들에 비해 10% 변조전달함수(modulation transfer function, MTF)에서 공간주파수를 11.26~19.49% 개선하였다. 결론적으로, 제안된 MARL 기반 노이즈 제거 모델은 DT 영상의 노이즈를 효율적으로 감소시킬 수 있으며, 공유 하위 네트워크의 수정은 MARL 기반 DT 노이즈 제거 모델의 성능을 향상시킬 수 있다.

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.

비국소 평균(non-local means, NLM) 접근법을 이용한 잡음 감소 알고리즘은 핵의학 영상에서 매우 효율적이다. 본 연구에서는 뇌 팬텀을 사용한 단일광자방출전산화단층촬영(single-photon emission computed tomography, SPECT) 영상에서 NLM 잡음 감소 알고리즘의 적용 가능성을 평가하고, 다양한 재구성 방법에 따라 스무딩 인자를 변경함으로써 NLM 알고리즘을 최적화하고자 하였다. 뇌 팬텀 이미지는 여과역투영(filtered back projection, FBP)과 순차부분기대최대화(ordered subset expectation maximization, OSEM)로 재구성하였다. NLM 잡음 감소 알고리즘의 스무딩 인자는 FBP 및 OSEM 재구성 방법에서 변동계수(coefficient of variation, COV)와 대조잡음비(contrast-to-noise ratio, CNR) 결과를 최적으로 결정하는 값이 0.020임을 확인하였다. 최적 스무딩 인자를 적용한 알고리즘을 사용한 FBP 및 OSEM 기반 SPECT 영상은 원래 영상에 비해 COV와 CNR을 각각 평균 66.94% 및 8.00% 향상시켰다. 결론적으로, 뇌 SPECT 영상에서 NLM 기반 알고리즘으로부터 최적화된 스무딩 인자를 도출하였으며, 향후 다양한 핵의학 영상 기법에 적용 가능할 것으로 기대된다.

정지형 역기하 디지털 단층촬영(Stationary inverse-geometry digital tomosynthesis; s-IGDT)은 기하학적 특성으로 인해 재구성된 영상에서 절단(truncation) 인공물(artifact)을 유발한다. 본 연구는 s-IGDT 영상의 절단 인공물을 완화하기 위한 DCGAN(딥 컨볼루션 생성 적대 신경망) 기반 아웃페인팅(out-painting) 방법을 제안한다. 제안된 네트워크는 생성기(generator)에 인코더–디코더 구조를 사용하였고, 인코더와 디코더 사이에 확장(dilated) 컨볼루션 블록을 추가하였다. 또한 이중 판별기(dual-discriminator)를 사용하여 절단 영역과 비절단 영역의 생성 영상 인공성(artificiality)을 각각 구분하였다. 네트워크 학습 중 생성기는 이진 마스크(binary mask) 영상을 이용하여 절단 영역에 대한 목표 과제를 선택적으로 학습할 수 있었다. 제안 방법의 성능은 신호대잡음비(signal-to-noise ratio; SNR), 정규화 평균제곱근오차(normalized root-mean-square error; NRMSE), 피크 SNR(peak SNR; PSNR), 구조적 유사도(structural similarity; SSIM) 측면에서 기존 방법과 비교하였다. 그 결과, 제안 방법은 절단 인공물을 실질적으로 감소시키는 것으로 나타났다. 평균적으로 제안 방법은 기존 방법에 비해 SNR, PSNR, SSIM에서 각각 62.31%, 16.66%, 14.94%의 향상을 보였다. 한편 NRMSE 값은 평균 37.22% 감소하였다. 결론적으로, 제안된 아웃페인팅 방법은 s-IGDT 영상에서 절단 인공물을 완화하고 s-IGDT의 임상적 활용 가능성을 향상시키는 유망한 해결책을 제공할 수 있다.

다수의 지도학습 기반 전략이 유망한 결과를 보고해 왔으나, 디지털 단층촬영(digital tomosynthesis, DT) 영상의 노이즈 제거에서의 적용은 성능이 충분하지 않고 학습 영상이 부족하다는 한계로 인해 제한적이다. 본 연구에서는 지도학습의 단점을 극복하고 DT 영상의 노이즈 제거 모델을 제공하기 위해 다중 에이전트 강화학습(multi-agent reinforcement learning, MARL) 네트워크를 제안하였다. 제안된 네트워크는 세 개의 하위 네트워크로 구성되었으며, 그중 공유 하위 네트워크는 출력 영상에서의 특징 추출 방법의 효과를 조사하기 위해 일반 합성곱(convolution) 층, 확장(dilated) 합성곱 층 및 잔차(residual) 블록을 사용하여 다양하게 구성하였다. 그 결과, 제안 모델은 입력 영상에 비해 출력 DT 영상의 신호대잡음비(signal-to-noise ratio, SNR)와 구조적 유사도(structural similarity, SSIM)를 현저히 향상시켰으며, 잔차 블록을 사용하는 모델들의 SNR은 다른 모델들에 비해 8.58~43.53% 더 높았다. 잔차 블록을 포함한 공유 하위 네트워크는 다른 모델들에 비해 10% 변조전달함수(modulation transfer function, MTF)에서 공간주파수를 11.26~19.49% 개선하였다. 결론적으로, 제안된 MARL 기반 노이즈 제거 모델은 DT 영상의 노이즈를 효율적으로 감소시킬 수 있으며, 공유 하위 네트워크의 수정은 MARL 기반 DT 노이즈 제거 모델의 성능을 향상시킬 수 있다.

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.

비국소 평균(non-local means, NLM) 접근법을 이용한 잡음 감소 알고리즘은 핵의학 영상에서 매우 효율적이다. 본 연구에서는 뇌 팬텀을 사용한 단일광자방출전산화단층촬영(single-photon emission computed tomography, SPECT) 영상에서 NLM 잡음 감소 알고리즘의 적용 가능성을 평가하고, 다양한 재구성 방법에 따라 스무딩 인자를 변경함으로써 NLM 알고리즘을 최적화하고자 하였다. 뇌 팬텀 이미지는 여과역투영(filtered back projection, FBP)과 순차부분기대최대화(ordered subset expectation maximization, OSEM)로 재구성하였다. NLM 잡음 감소 알고리즘의 스무딩 인자는 FBP 및 OSEM 재구성 방법에서 변동계수(coefficient of variation, COV)와 대조잡음비(contrast-to-noise ratio, CNR) 결과를 최적으로 결정하는 값이 0.020임을 확인하였다. 최적 스무딩 인자를 적용한 알고리즘을 사용한 FBP 및 OSEM 기반 SPECT 영상은 원래 영상에 비해 COV와 CNR을 각각 평균 66.94% 및 8.00% 향상시켰다. 결론적으로, 뇌 SPECT 영상에서 NLM 기반 알고리즘으로부터 최적화된 스무딩 인자를 도출하였으며, 향후 다양한 핵의학 영상 기법에 적용 가능할 것으로 기대된다.

적응 방사선치료(ART)는 치료 정확도를 향상시키기 위해 합성 전산화단층촬영(synthetic computed tomography, sCT) 영상 기법을 요구한다. 기존의 딥러닝 기반 sCT 기법은 복잡한 장기의 형태학적 구조를 유지하면서 상세한 구조를 합성하는 데 어려움이 있다. 이러한 문제를 해결하기 위해, 우리는 다중 스케일 어텐션 U-Net 기반 CycleGAN(MSA-CGAN)을 제안하였으며, 입력 영상과 출력 영상 간의 차이를 직접적으로 포착하기 위해 네트워크 학습에 patch-content(PC) 제한 손실을 적용하였다. MSA-CGAN의 생성기(generator)에는 추출된 특징의 다양성과 네트워크 견고성을 확보하기 위해 다중 스케일 블록을 사용하였다. 또한 정확한 학습 영상 정보를 전달하기 위해 스킵 연결(skip connections)에 어텐션 게이트(attention gates)를 추가하였다. 소스 및 가짜 영상에서 패치를 제한적으로 추출하여 모든 패치에 객체가 포함되도록 하였다. 그 결과, PC 제한 손실을 적용한 제안된 MSA-CGAN은 CycleGAN 모델(추가 손실 없음)에 비해 CT 영상을 CBCT로부터 높은 유사도로 합성하는 데 성공하였고, PSNR, SSIM 및 NCC를 각각 2.25%, 11.76%, 12.56% 향상시켰다. 또한 PC 제한 손실을 적용한 MSA-CGAN의 NRMSE는 추가 손실이 없는 CycleGAN 모델에 비해 9.77% 낮았다. 결론적으로, PC 제한 손실을 적용한 MSA-CGAN은 정밀한 sCT 영상을 제공할 수 있으며, ART의 정확도를 향상시키는 데 잠재적으로 활용될 수 있다.

가우시안 잡음과 같은 잡음 분포를 감소시키는 것은 디지털 양전자방출단층촬영(digital positron emission tomography, PET) 영상의 진단 정확도를 향상시키는 데 중요하다. PET 영상은 환자에게 투여된 방사성의약품에서 방출된 감마선을 검출하며, 감마선은 고에너지 전자기 복사의 한 형태이다. 최근에는 딥 합성곱 신경망(convolutional neural network, CNN)이 의료 영상 분야에서 널리 활용되고 있다. 본 연구에서는 PET 팬텀 영상에서 잡음을 감소시키기 위한 잔차 네트워크(residual network, ResNet) 기반 프레임워크의 성능을 평가하였다. ResNet 아키텍처는 3 × 3 합성곱 층, 배치 정규화(batch normalization), ReLU 활성화, 16개의 잔차 블록, 그리고 완전 연결 층으로 구성된다. 학습을 위해 QIN PET Segmentation Challenge에서 제공된 1785개의 PET 영상을 정답(ground truth, GT)으로 사용하였고, 입력에는 표준편차 0.01 및 0.08 수준의 가우시안 잡음을 추가하였다. 또한 데이터셋은 8:1:1 비율로 훈련, 검증, 테스트 세트로 분할하였다. 대비대잡음비(contrast-to-noise ratio, CNR), 변동계수(coefficient of variation, COV), 피크 신호대잡음비(peak signal-to-noise ratio, PSNR), 구조적 유사성 지수(structural similarity index measure, SSIM), 강도 프로파일(intensity profiles), 정규화 잡음 전력 스펙트럼(normalized noise power spectrum, NNPS) 등 성능 지표를 사용하였다. CNR, COV, 강도 프로파일, NNPS와 같은 정량 분석 결과, 잡음 분포를 감소시켜 영상 품질이 향상되었음을 확인하였으며, PSNR과 SSIM 같은 유사성 평가 측면에서 출력 영상은 GT 영상과 유사하였다. 결론적으로, 딥러닝 기반 잡음 감소 효과는 신호대잡음비를 개선하고 전자기 복사 기반 의학 영상에서 필수적인 해부학적 및 기능적 세부 정보를 보존함으로써 PET 영상의 품질을 향상시킨다.

본 연구에서는 컴퓨터 단층촬영(CT) 영상에서 금속 인공물을 감소시키기 위해 웨이블릿(wavelet) 영역 기반의 딥 잔차 학습 전략을 제안하였다. 금속 인공물이 포함된 영상과 잔차 영상 간의 종단 간 비선형 매핑을 학습하기 위해 완전연결 신경망(FCN)을 구성하였다. 학습용 CT 영상은 2D 웨이블릿 변환을 통해 서브밴드(subband) 영상으로 변환하여 네트워크 학습 동안 고주파 특징을 제공하였다. 잔차 학습은 서브밴드 영상을 이용하여 구현하였다. 제안 기법의 성능은 O-MAR 알고리즘과 비교하였다. 그 결과, 제안 기법에 의해 금속 인공물이 충분히 억제되었으며, O-MAR 알고리즘에 비해 NRMSE는 12.34% 감소하고 SSIM은 0.84% 향상되었다. 결론적으로, 제안 모델은 CT 영상의 금속 인공물을 효율적으로 감소시킬 수 있으며 상용 알고리즘에 비해 우수한 성능을 보인다.

배경: 적응 치료는 계획 CT(PCT)와 환자 셋업에 사용되는 기기 내(on-board) 영상으로부터 적응 컴퓨터 단층촬영(ACT)을 생성하는 기술에 기반하여 크게 향상되었다. 본 연구는 ACT를 활용하여, 정위 정밀 방사선 수술(또는 정위 절제 방사선치료; SABR)으로 치료받은 비소세포폐암(NSCLC) 환자에게 전달된 선량을 평가하고, 전달된 선량과 평가 절차를 통해 얻은 매개변수 간의 연관 관계를 도출하였다. 방법: (버전 27). 결과: 종양이 위치한 폐엽에 따라 유의한 차이가 나타났다. 결론: ACT를 이용하여 SABR로 치료받은 NSCLC 환자에게 전달된 선량을 평가한 결과, 처방 선량이 ITV에 정확히 전달됨이 확인되었다. 그러나 PTV의 경우, 원래 계획으로부터 HI 편차가 큰 특정 ACT 사례에서 전달 선량의 변이가 관찰되었다. 이러한 변이는 치료 중 환자 셋업 등과 같은 요인에서 기인할 가능성이 있으며, 선량 평가 과정에서 얻은 매개변수에 대한 통계적 분석이 이를 시사한다.