(1) 서론: 컴퓨터단층촬영(CT)과 자기공명영상(MRI)은 특히 퇴행성 척추 질환을 포함하여 척추 질환의 진단과 평가에 중요한 역할을 한다. MRI는 CT보다 척추관 병변과 추간판 병변을 구별하는 데 해상도가 더 높기 때문에 대부분의 척추 질환을 진단하는 데 주로 사용된다. 척추 질환을 평가할 때 MR 대신 CT를 선택하는 것이 불가피한 경우에는 척추 질환의 평가는 제한될 수 있다. 이런 경우 CT 영상을 기반으로 MR 영상을 합성하여 척추 질환을 진단하는 것은 매우 유용하다. (2) 목적: 생성적 적대 신경망(generative adversarial network, GAN) 모델을 사용하여 CT 촬영으로부터 합성 요추 자기공명(MR) 영상을 생성하고, 시각적 튜링 테스트(visual Turing tests, VTTs)를 통해 합성 영상이 실제 영상과 얼마나 유사한지 평가하고자 하였다. (3) 재료 및 방법: 요추 CT와 MRI를 시행한 40세 이상 환자 285명을 등록하였다. 285명의 축상 CT 및 T2 강조 축상 MR 영상을 기반으로, GAN을 이용한 영상 합성 모델을 세 가지 알고리즘(비지도, 반지도, 지도 방법)으로 학습하였다. 또한, 모델 학습에 포함되지 않은 59명의 환자를 대상으로, 요추 축상 CT 영상을 입력하여 생성된 합성 요추 MR 축상 영상이 실제 요추 MR 축상 영상과 얼마나 유사한지 판단하기 위한 VTT를 수행하였다. VTT를 위해, 평가 양식은 600장의 무작위 분포 축상 영상을 포함하도록 설계하였으며(실제 150장, 비지도·반지도·지도 방법에서 생성된 합성 450장), 평가자 4명이 각 영상의 진위성을 판단하고 실제 영상에 해당한다고 생각하는 1순위 및 2순위 후보를 선택하였다. 아울러 세 모델에 대해 구조적 유사도(structural similarities, SSIM)를 평가하였고, 최고 신호 대 잡음비(peak signal to noise ratio, PSNR)를 세 방법 간 비교하였다. (4) 결과: 모든 4명의 평가자에서 1순위로 실제 영상을 선택한 평균 정확도는 52.0%(312/600)였다. 각 평가자의 1순위 선택 및 1순위+2순위 선택에서 실제 영상을 결정한 정확도는 각각 다음과 같았다: 평가자 1은 51.3% 및 78.0%; 평가자 2는 38.7% 및 62.0%; 평가자 3은 69.3% 및 84.0%; 평가자 4는 48.7% 및 70.7%였다. 합성 영상이 1순위와 2순위로 선택된 경우, 지도 알고리즘에서 유도된 영상이 가장 자주 선택되었다(지도: 118/600, 164/600; 반지도: 90/600, 144/600; 비지도: 80/600, 114/600). 영상 품질 측면에서 지도 알고리즘이 가장 높은 점수를 받았으며(PSNR: 15.987 ± 1.039, SSIM: 0.518 ± 0.042), (5) 결론: 본 연구는 CT 영상으로부터 요추 척추 MR 영상을 합성하기 위해 GAN을 적용하고, GAN의 학습 알고리즘을 비교하기 위한 파일럿 연구이다. VTT에 기반하면, GAN으로 요추 CT로부터 합성한 축상 MR 영상은 상당히 현실적으로 나타났으며, 지도 학습 알고리즘이 실제 영상에 가장 가까운 영상을 제공하는 것으로 확인되었다.