의료영상에서 웨이블렛 변환 기반 CNN 모형을 이용한 잡음제거

Abstract

MRI(Magnetic Resonance Imaging) 영상과 CT(Computed Tomography) 영상과 같은 의료영상에서잡음제거는 의료영상 시스템의 성능에 중요한 영향을 미친다. 최근 영상처리 기술에 딥러닝(Deep Learning)의 도입으로 잡음제거 방법들의 성능이 향상되고 있다. 그러나 영상영역에서 디테일을 보존하면서 잡음만을 제거하는 것은 한계가 있다. 본 논문에서는 웨이블렛 변환 기반CNN(Convolutional Neural Network) 모형, 즉 WT-DnCNN(Wavelet Transform-Denoising Convolutional Neural Network) 모형을 통해 잡음제거 성능을 높이고자 한다. 이는 잡음 영상에 웨이블렛 변환을사용하여 주파수 대역별로 구분하여 일차적으로 잡음을 제거하고, 해당 주파수 대역에서 기존DnCNN 모형을 적용하여 최종적으로 잡음을 제거하고자 한다. 본 논문에서 제안된 WT-DnCNN 모형의 성능평가를 위해 다양한 잡음, 즉, 가우시안 잡음(Gaussian Noise), 포아송 잡음(Poisson Noise) 그리고 스펙클 잡음(Speckle Noise)에 의해 훼손된 MRI 영상과 CT 영상을 대상으로 실험하였다. 성능 실험 결과, WT-DnCNN 모형은 정성적 비교에서 전통적인 필터 즉, BM3D(Block-Matching and 3D Filtering) 필터뿐만 아니라 기존의 딥러닝 모형인 DnCNN, CDAE(Convolution Denoising AutoEncoder) 모형보다 우수하고, 정량적 비교에서 PSNR(Peak Signal-to-Noise Ratio) 과 SSIM(Structural Similarity Index Measure) 수치는 MRI 영상에서 각각36~43과 0.93~0.98, CT 영상에서 각각 38~43과 0.95~0.98 정도로 우수한 결과를 보였다. 또한, 모형의 실행 속도 비교에서 DnCNN 모형은 BM3D 모형보다는 훨씬 적게 결렸으나 DnCNN 모형과의비교에서는 웨이블렛 변환 추가로 인해 오래 걸림을 알 수 있었다.