CT 영상에서 U-Net 기반 변형가능 컨볼루션 GAN을 이용한 잡음제거 (U-Net based GAN with deformable convolution for CT image denoising)

서지정보

· 발행기관 : 한국데이터정보과학회
· 수록지 정보 : 한국데이터정보과학회지 / 34권 / 4호 / 567 ~ 585페이지
· 저자명 : 한성현, 허지혜, 성언승, 임동훈

초록

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.

영어초록

Noise removal in CT images is an important technique that can help image interpretation while reducing radiation exposure. In this paper, we remove noise from CT images using the deep learning GAN (Generative Adversarial Networks) based U-DeCGAN (U-Net Based GAN with Deformable Convolution) model. The GAN model consists of two networks, a generator and a discriminator, and these two are trained in an adversarial competition relationship. The proposed U-DeCGAN model consists of a generator with a U-Net structure and a discriminator with deformable convolution, and the loss function of U-DeCGAN is a weighted sum of the adversarial loss and mean square error loss. To evaluate the performance of the U-DeCGAN model proposed in this paper, CT images damaged by various noises, that is, Gaussian noise, Poisson noise, and speckle noise, The BM3D method, CNN model's DnCNN model, CDAE, and U-Net GAN model were compared. As a result of performance experiments, the proposed U-DeCGAN model showed good results in quantitative evaluation by PSNR (Peak Signal-to-Noise Ratio) and SSIM (Structural Similarity Index Measure) scales as well as qualitative evaluation.

참고자료

· 없음