CT 영상에서 U-Net 기반 변형가능 컨볼루션 GAN을 이용한 잡음제거

Abstract

CT 영상에서 잡음 제거는 환자들의 방사선 피폭을 줄이면서 영상 판독 향상을 위해 중요한 기술이다. 본 논문에서는 딥러닝의 GAN (Generative Adversarial Networks) 기반 U-DeCGAN (U-Net Based GAN with Deformable Convolution) 모델을 이용하여 CT 영상에서 잡음 제거하고자 한다. GAN 모델은 두 개의 네트워크 즉, 생성자 (generator)와 판별자 (discriminator)로 구성되어 있고 이 둘은 적대적 경쟁 관계에서 학습이 이루어진다. 제안된 U-DeCGAN 모델은 U-Net 구조의 생성자와 변형 가능한 컨볼루션 층(deformable convolution layer)을 갖고 있는 판별자로 구성되고, U-DeCGAN의 손실함수는 기존의 GAN 학습의 불안정을 완화하기 위해 GAN 손실 (adversarial loss)과 MSE 손실 (mean square error loss)의 가중합 형태이다. 본 논문에서 제안된 U-DeCGAN 모델의 성능 평가를 위해 여러 가지 잡음 즉, 가우시안 잡음 (Gaussian noise), 포아송 잡음 (Poisson noise), 그리고 스펙클 잡음 (speckle noise)에 의해 훼손된 CT 영상에서 기존의 BM3D 방법, DnCNN 모델, CDAE 모델, 그리고 U-Net GAN 모델과 비교하였다. 성능 실험 결과, 제안된 U-DeCGAN 모델은 정성적 평가와 더불어 PSNR (Peak Signal-to-Noise Ratio)과 SSIM (Structural Similarity Index Measure) 척도에 의한 정량적 평가에서 좋은 성능을 보였다.