본 논문에서는 초음파 의료영상에 대한 새로운 딥 합성곱 신경망(DCNN) 기반 초해상도(SR) 기법인 대칭 시리즈 합성곱 신경망(SS-CNN)을 제안한다. 제안된 모델은 특징 추출 네트워크(FEN)와 업샘플링 레이어의 두 부분으로 구성된다. FEN에서 초음파 영상의 저해상도(LR) 대응 영상은 서로 다른 두 개의 DCNN으로 이루어진 대칭적인 시리즈를 통과한다. 두 DCNN의 후속 층들에서 얻은 저수준 특징 맵은 피드포워드 방식으로 연결(concatenation)되며, 재구성 품질의 향상을 보장하기 위한 견고한 특징 추출에 도움을 준다. 이후 최종 연결된 특징은 입력 맵으로서 후반의 2D 합성곱 층들에 전달되며, 입력 영상의 질감 정보는 스킵 연결(skip connections)을 통해 결합된다. 제안 모델의 두 번째 부분은 서브픽셀 합성곱(SPC) 레이어로, 다차원 커널과의 곱셈에 이어 주기적 셔플링(periodic shuffling) 연산을 수행하여 FEN의 출력을 업샘플링함으로써 고품질 SR 초음파 영상을 재구성한다. 공개적으로 이용 가능한 초음파 영상 데이터셋을 사용하여 SS-CNN의 성능을 검증하였다. 실험 결과, 제안된 모델은 봉우리 신호대잡음비(PSNR)와 구조적 유사성 지수(SSIM) 측면에서 기존 방법들에 비해 초음파 영상의 고품질 재구성을 달성하면서도 설득력 있는 SR 재구성 시간을 제공함을 보여준다.

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