CT 영상에서 웨이블렛 변환 기반 U-Net GAN 모델을 이용한 잡음제거

Abstract

CT 영상에서 잡음제거는 방사선으로부터 환자 보호와 고품질 영상복원을 위해 중요한 기술이다. 본 논문에서는 CT 영상에서 웨이블릿 변환 기반 U-Net GAN (wavelet transform-based U-Net GAN) 모델, 즉 WT-UNetGAN 모델을 제안하여 잡음 제거하고자 한다. 제안된 WT-UNetGAN 모델의 생성자 (generator)는 기존 U-Net 구조에 긴 스킵 연결 (long skip connection)을 추가한 구조이고, 판별자 (discriminator)는 변형 가능 컨벌루션 층 (deformable convolution layer)을 갖고 있는 patchGAN 구조이고, 손실함수는 기존의 GAN 학습의 불안정을 완화하기 위해 GAN 손실 (adversarial loss)와 $L _{1}$ 손실함수의 가중합 형태이다. 본 논문에서 제안된 WT-UNetGAN 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 전통적인 방법인 BM3D, CNN을 활용한 DnCNN, 표준 DCGAN, U-Net GAN 그리고 웨이블렛 기반 DCGAN과 성능 비교하였다. 성능 실험 결과, 제안된 WT-UNetGAN 모델은 정성적 평가에서 높은 잡음제거 능력을 보였고, PSNR (peak signal-to-noise ratio)과 SSIM (structural similarity index measure) 척도에 의한 정량적 평가에서도 높은 수치를 보였다.