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 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.