Digital Tomosynthesis Denoising and Truncation Artifact Restoration for Low-Dose Imaging
연구 내용
디지털 토모신세시스 영상에서 약학습 조건을 고려해 멀티 에이전트 강화학습 기반 노이즈 제거와 절단 아티팩트 복원을 수행하는 연구입니다
디지털 토모신세시스에서 저선량 촬영에 따른 노이즈와 절단 아티팩트의 공간적 불균일성을 분석하고, 이를 영상 복원 문제로 모델링하여 고품질 출력을 확보하는 연구를 수행합니다. 데이터 변환을 통해 학습에 활용되는 노이즈 특징을 정교화하고, 공유 서브네트워크와 convGRU 기반 에이전트 구조로 픽셀 단위 보상지도를 계산하여 복원 성능을 최적화합니다. 또한 웨이블릿 및 Anscombe 변환을 결합해 학습 안정성을 높이며, 절단 영역에는 마스크 기반 out-painting 전략을 적용해 구조 보존형 복원을 구현합니다.
관련 연구 성과
관련 논문
5편
관련 특허
1건
관련 프로젝트
0건
연구 흐름
초기에는 디지털 토모신세시스의 저선량 노이즈 특성을 반영하기 위해 데이터 변환을 적용하고, 멀티 에이전트 강화학습 네트워크로 노이즈 제거 학습을 수행하는 방법을 정립했습니다. 이후 convGRU와 reward map 계산 구조를 포함한 에이전트 구성을 유지한 상태에서, 파형 특성 보존을 위한 변환 조합과 네트워크 세부 구조를 비교·분석하며 성능을 개선했습니다. 최근에는 shared sub-network의 feature extraction 방식과 residual block 적용 효과를 검증하고, truncation artifact에 대해서는 마스크 기반 생성 학습으로 절단 영역을 보완하는 방향으로 확장하고 있습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
A denoising model based on multi-agent reinforcement learning with data transformation for digital tomosynthesis
Effect of network architectures in multi-agent reinforcement learning for denoising digital tomosynthesis images
Deep residual learning with Anscombe transformation for low-dose digital tomosynthesis
Feature extraction effect in multi-agent reinforcement learning-based denoising model for digital tomosynthesis
Truncation Artifact Reduction in Stationary Inverse-Geometry Digital Tomosynthesis Using Deep Convolutional Generative Adversarial Network
관련 특허
구분
제목
데이터 변환을 적용한 멀티 에이전트 강화학습 기반 디지털 토모신세시스 영상 노이즈 제거 시스템