의학영상 AI 기반 재구성·분할·아티팩트 제거(SPECT/CT) 연구

Medical Image Reconstruction, Segmentation, and Artifact Reduction for SPECT/CT Using AI

연구 내용

SPECT 재구성 노이즈 최적화와 CT 금속 아티팩트 제거, 폐 분할을 위한 마스크 R-CNN을 결합해 의료영상 품질을 개선하는 연구입니다

핵의학과 전산화단층영상에서 재구성 노이즈와 구조 왜곡을 줄이기 위해 영상 복원 및 컴퓨터비전 모델을 연구합니다. SPECT에서는 non-local means 기반 노이즈 저감 알고리즘을 다양한 재구성 방식과 결합하고, 스무딩 계수를 조절해 대비와 변동성을 균형 있게 최적화합니다. CT에서는 웨이블릿 도메인에서 고주파 특징을 활용하는 딥 잔차 학습으로 금속 아티팩트를 억제하며, 상용 알고리즘 대비 품질 지표 개선을 검증합니다. 또한 폐 CT 분할에는 Mask R-CNN 기반 인스턴스 분할 파이프라인을 적용해 후속 정량 분석의 입력 일관성을 확보합니다.

관련 프로젝트

0건

연구 흐름

초기에는 SPECT 영상에서 non-local means 기반 노이즈 저감의 적용 가능성을 평가하고, FBP와 OSEM 재구성 방식에 따른 최적 스무딩 계수를 산출하는 방향으로 연구를 수행했습니다. 이후 CT 영상의 금속 아티팩트 문제로 확장하여, 웨이블릿 도메인 변환을 통해 고주파 특징을 학습에 반영하고 딥 잔차 구조로 end-to-end 비선형 매핑을 구현했습니다. 병행하여 영상의 의미 영역을 안정적으로 추출하기 위해 Mask R-CNN 기반 폐 분할 성능을 평가하며, 재구성·복원·분할을 연결하는 의료영상 AI 적용 흐름을 구축하고 있습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

SPECT 영상 대비-노이즈 균형 최적화
FBP/OSEM 기반 재구성 후처리 고도화
금속 아티팩트 억제를 통한 CT 판독 보조
웨이블릿 도메인 기반 잔차 학습 복원 파이프라인
폐 분할 자동화와 정량 분석 입력 품질 확보
의료영상 컴퓨터비전 모델 성능 평가 체계
복원 알고리즘의 파라미터 자동 튜닝 연구
다양한 영상 획득 조건에서의 일반화 검증
재구성 단계와 딥러닝 후처리의 결합 전략
영상 기반 방사선의학 연구 데이터 전처리