의료영상에서 convolutional dual-decoder autoencoder 모형을 이용한 잡음제거

Abstract

CT 영상, MRI 영상과 같은 의료영상에서 존재하는 잡음 (noise)은 환자의 정확한 병명 판단을 방해하는 원인이 된다. 따라서 효과적인 잡음제거는 의료영상의 활용가치를 높이는데 매우 중요하다. 본 논문에서는 딥러닝의 convolutional autoencoder (CAE) 모형의 변형인 convolutional dual-decoder autoencoder (CDDAE) 모형을 이용하여 잡음을 제거하고자 한다. 기존 CAE 모형은 싱글 인코더 (single-encoder)와 싱글 디코더 (single-decoder)로 구성된 AE (autoencoder) 구조인 반면에 CDDAE 모형은 싱글 인코더와 듀얼 디코더 (dual-decoder)로 구성된 AE 구조로 원본 영상과 유사한 영상 특징을 복원할 수 있도록 설계하였다. 본 논문에서 제안된 CDDAE 모형의 성능 평가를 위해 다양한 잡음, 즉, 가우시안 잡음 (Gaussian noise), 임펄스 잡음 (impulse noise) 그리고 스펙클 잡음 (speckle noise)에 의해 훼손된 CT 영상과 MRI 영상을 대상으로 실험하였으며, 성능 실험 결과, CDDAE 모형은 전통적인 필터 즉, Mean 필터, Median 필터 그리고 Lee 필터 뿐 만 아니라 기존의 딥러닝 모형인 DnCNN 모형, CAE 모형보다 정성적이고, 여러 정량적인 척도 즉, MAE (Mean Absolute Error), PSNR (Peak Signal-to-Noise Ratio) 그리고 SSIM (Structural Similarity Index Measure) 면에서 좋은 결과를 보였다.