Core Concepts
본 연구는 GAN 기반 저선량 CT 영상 복원에서 다중 스케일 텍스처 정보를 활용하여 성능을 향상시키는 새로운 손실 함수를 제안한다.
Abstract
이 연구는 저선량 CT 영상 복원을 위한 새로운 다중 스케일 텍스처 손실 함수(MSTLF)를 제안한다. MSTLF는 Gray-Level Co-occurrence Matrix(GLCM)를 활용하여 다양한 공간적, 각도적 스케일에서 텍스처 정보를 추출하고, 이를 동적으로 결합하는 방식으로 구현되었다.
구체적으로:
MSTE(Multi-Scale Texture Extractor) 모듈에서 GLCM을 이용해 다중 스케일 텍스처 정보를 추출한다.
AM(Aggregation Module)에서는 정적 및 동적 집계 방식을 통해 다중 스케일 텍스처 정보를 결합한다.
GLCM의 비미분성 문제를 해결하기 위해 소프트 할당 기반의 차별화 가능한 GLCM 구현을 제안한다.
실험 결과, MSTLF는 기존 손실 함수들에 비해 다양한 GAN 아키텍처에서 우수한 성능을 보였다. 특히 MSTLF-attention 방식이 가장 좋은 결과를 달성했다.
Stats
저선량 CT 영상과 고선량 CT 영상 간 대조도 차이는 약 102 수준으로 가장 크게 나타났다.
저선량 CT 영상과 고선량 CT 영상 간 상관도 차이는 약 10-3 수준으로 가장 작게 나타났다.
저선량 CT 영상과 고선량 CT 영상 간 균일도 차이는 약 10-2 수준으로 중간 정도 나타났다.
저선량 CT 영상과 고선량 CT 영상 간 각운동량 차이는 약 10-2 수준으로 중간 정도 나타났다.