CBCT-MDCT 영상 변환과 YOLO 기반 음영 아티팩트 검출을 활용한 생성모델 보정 방법 = YOLO-based Shading Artifact Reduction for CBCT-to-MDCT Translation

국문 초록 (Abstract)

콘빔 CT(cone-beam computed tomography, CBCT)는 낮은 방사선 피폭량과 빠른 촬영 시간으로 임상에서 널리 사용되나, 원뿔형 X선 빔의 물리적 한계로 인해 발생하는 산란선은 영상 대조도를 저하시키고 연조직 판독을 방해하여 다중 검출기 CT(multi-detector computed tomography, MDCT) 대비 진단적 가치가 제한된다. 비정합 영상 변환 기술인 CycleGAN은 정합된 데이터 없이도 도메인 간 매핑을 학습할 수 있으나, 서로 다른 목적을 가진 여러 손실 함수의 동시 최적화로 인한 학습 불안정성과 하단부 음영 아티팩트의 명시적 제거 어려움이라는 근본적 한계가 존재한다. 본 연구는 이러한 한계를 극복하기 위해 2단계 학습 전략과 YOLO 기반 영역보정 손실을 결합한 새로운 방법론을 제안한다. 17명 환자의 CBCT 영상 11,000개와 50명 환자의 MDCT 영상 23,500개로 구성된 데이터셋을 사용하였으며, 학습 목표를 단계별로 명확히 분리하여 최적화의 복잡도를 줄이고 학습 안정성을 확보하였다.
1단계에서는 ResNet 기반 생성자와 PatchGAN 판별자로 구성된 순수 CycleGAN을 학습하여 CBCT와 MDCT 간의 본질적인 도메인 변환 모델을 안정적으로 학습한다. 2단계에서는 사전 학습된 YOLO 검출기가 생성 영상에서 하단부 음영 영역을 실시간으로 검출하고, 해당 영역에만 선택적으로 그래디언트 크기 최소화 손실을 적용하는 Finetuning을 수행한다. 이를 통해 정상 해부학적 구조는 보존하면서 문제 영역만 집중적으로 보정하며, 아티팩트 감소에 따라 YOLO 검출 신뢰도도 자연스럽게 감소하는 자기 조절 메커니즘을 형성한다. 검증 샘플에 대한 평가에서는 YOLO 검출 아티팩트의 평균 신뢰도로 정의되는 지표인 아티팩트 점수(artifact score)를 사용하여 하단부 음영 아티팩트 제거 정도를 측정하였다. 정량적 평가에서 제안된 방법은 Baseline 모델(1단계 순수 CycleGAN) 대비 아티팩트 점수를 6.2% 감소시켜 유의미한 개선을 확인하였으며, Baseline 모델과 Finetuning 모델의 생성 결과를 직접 비교하는 임계값 기반 뼈 분할 평가를 통해 구조적 유사도가 높은 수준으로 유지됨을 검증하였다. 특히 모든 Finetuning 모델이 0.96 이상의 높은 SSIM을 기록하여 뼈 구조의 형태적 특성이 잘 보존되었음을 확인하였다. 가중치 민감도 분석을 통해 아티팩트 제거와 구조 보존의 최적 균형을 확인하였으며, 정성적 평가에서는 입력 CBCT의 해부학적 구조를 보존하면서 하단부 음영 아티팩트를 효과적으로 제거한 고품질 영상 생성을 확인하였다. 본 연구는 단계별 학습과 객체 검출 기술의 결합이 의료 영상의 국소적 아티팩트 제거에 유용한 접근법임을 제시한다. 제안된 방법론은 CBCT-MDCT 변환뿐만 아니라 다양한 의료 영상 모달리티 간 변환 문제에 적용 가능하며, CBCT의 낮은 방사선 피폭량이라는 장점을 유지하면서 영상 품질을 개선함으로써 더 정확한 진단 및 치료 계획 수립에 기여할 것으로 기대된다.

목차 (Table of Contents)

• I. 서론 1
• II. 관련 연구 5
• 1. CT 영상 기술 5
• 2. 딥러닝의 발전과 의료 영상 8
• 3. 비정합 영상 변환 연구 10
• 4. CT 영상의 아티팩트 13
• III. 이론적 배경 15
• 1. 합성곱 신경망(CNN) 15
• 2. 생성적 적대 신경망(GAN) 23
• 3. YOLO (You Only Look Once) 31
• IV. 제안 방법론 38
• 1. 네트워크 아키텍처 38
• 2. 2단계 학습 전략 42
• 3. YOLO 기반 영역보정 손실 48
• V. 실험 및 결과 56
• 1. 실험 설정 56
• 2. 평가 지표 59
• 3. 실험 결과 61
• VI. 결론 67