1. Introduction
- CT는 의료 진단에 널리 사용되는 영상 도구지만 방사선 노출로 인한 암 위험 증가 문제는 대중의 우려를 불러 일으킴(ref 1,2)
- x선 방사선량을 최소화하는 방법으로 제시된 LDCT는 노이즈가 심하며(ref 3), 노이즈는 의료 영상의 품질에 부정적인 영향을 미쳐 병변 진단에 직접적인 영향을 미칠 수 있음
- 노이즈 제거는 의료 데이터 분할에서도 매우 유용함(ref 4, 5, 48). 노이즈 제거 방법은 전통적인 알고리즘과 딥러닝 기반 방법의 두 가지 범주로 나눌 수 있음
- 전통적인 알고리즘
- 중앙값 필터링, 양측 필터링. 이는 이미지 노이즈 제거하기 위해 인위적으로 설계된 특정 필터를 사용하고, 사용하는 컨벌루션 커널의 매개변수는 고정되어 있으며, 숙련된 사람이 수동으로 설정해야함
- NSS(nonlocal self-similarity)모델, MRF(Markov Random Field) 모델.이미지 또는 노이즈를 모델링한 다음 모델 분포를 사전에 사용하는 방법이지만, 심한 잡음이 있을 경우 복구 성능이 크게 저하되며 많은 시간이 소요됨
- 딥러닝 기반 방법. CNN기반 방법을 쓰다 최근 ViT를 제안함. CNN 기반 방법은 지각 필드에 의해 제한되며 기능 맵에서 장기적인 공간 의존성을 갖는 컨텍스트 정보를 추출하는 능력이 제한됨. 변환기 기반 방식은 세부 정보에 초점을 맞추는 데 부족하여 잡음이 제거된 영상이 의사의 병변 상태 판단에 영향을 미칠 수 있음(ref 43, 44)
2. Relative Work
- CNN 기반 노이즈 제거 방법과 Transformer 기반 이미지 노이즈 제거 방법을 사용함
3. Method
- U-net 구조를 따름. 인코더의 기본 블록은 ConvBlock, 디코더의 기본 계층은 이중 경로 변환기 블록으로 구성함.
- 인코더와 디코더 부분에서 동일한 level의 레이어를 연결하기 위해 건너뛰기 연결을 사용함. 이는 모델의 안정적인 훈련과 정보 손실 문제를 완화할 수 있음
- 이 건너뛰기 연결에서MSAB 블록을 사용함. 이는 공간적 attention을 사용해 입력 특성의 핵심 영역 가중치를 높여 세부 정보를 더 잘 복원함
4. Result
- 2016 NIH-AAPM Mayo Clinic LDCT Grand Challenge, Cancer Image Archive 데이터set 사용
- SSIM, PSNR, RMSE 지표 사용함. LDCT, DnCNN, CBDnet, REDCNN 등과 성능 비교함
- 향후 훈련 효율성을 높이고 훈련 속도를 높이는 방향 연구와, MRI 초음파 등 다른 형식에는 직접 사용이 어려울수 있는 한계점이 있음