딥러닝 기반 음속 지도 재구성 = Deep Learning-based Reconstruction of Speed of Sound Maps

국문 초록 (Abstract)

의료용 초음파 (US; Ultrasound) 영상에서 음속 (SoS; Speed of Sound)과 같은 조직의 물리적 특성을 정확하게 추정하는 것은 진단 성능을 향상시키는 데 필수적이다. 하지만 초음파 신호로부터 음속 맵을 복원하는 과정은 측정된 데이터에서 조직의 특성을 역으로 추정해야 하는 고질적인 난제 (ill-posed inverse problem)라는 한계가 있다. 본 연구에서는 원시 무선 주파수 (RF; Radiofrequency) 데이터의 물리적 정보와 B-mode 영상의 공간적 특징을 함께 활용하는 딥러닝 프레임워크인 LDAS-Net을 제안한다. 실제 조직 구조를 모방하여 생성한 시뮬레이션 데이터로 학습했으며, 제안하는 네트워크는 듀얼 인코더 구조와 ‘채널별 Latent DAS (LDAS)’라는 새로운 융합 전략을 통해 RF 잠재 특징을 B-mode 특징과 공간적으로 정렬한다. 시뮬레이션 데이터 (in-silico)에 대한 실험 결과, 제안된 LDAS-Net은 MAE 2.6799, PSNR 27.4740, Corr 0.9767으로 기존 모델들을 모든 평가지표에서 상회하는 성능을 보였으며, 정성적으로도 조직 경계 보존 능력이 향상되고 잡음이 감소하였다. 나아가 시뮬레이션 데이터로만 사전 학습된 모델을 실제 인체 스캔에 적용하여 해부학적 구조와 경계에 부합하는 음속 맵을 생성할 수 있음을 확인함으로써 임상 적용의 가능성을 확인하였다. 본 연구는 RF 원본 데이터와 빔포밍된 영상 특징을 효과적으로 융합하는 새로운 접근법을 제시하여 진단 정확도를 높이는 데 기여할 수 있을 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

Accurate estimation of tissue physical properties, such as the Speed of Sound (SoS), in medical ultrasound (US) imaging is essential for enhancing diagnostic performance. However, reconstructing the SoS map from ultrasound signals is an inherently ill-posed inverse problem, which presents a significant challenge. In this study, we propose LDAS-Net (Latent Delay-and-Sum Network), a deep learning framework that leverages both the physical information from raw radiofrequency (RF) data and the spatial features from B-mode images. Trained on simulation data mimicking realistic tissue structures, the proposed network employs a dual-encoder architecture and a novel fusion strategy, termed ‘channel-wise Latent DAS (LDAS),’ to spatially align RF latent features with B-mode features. Experimental results on in-silico data demonstrate that the proposed LDAS-Net outperforms existing models across all evaluation metrics (MAE: 2.6799, PSNR: 27.4740, Corr: 0.9767). Qualitatively, it also shows enhanced tissue boundary preservation and reduced noise. Furthermore, the model, pre-trained solely on simulation data, was confirmed to generate SoS maps conforming to anatomical structures and boundaries when applied to actual human scans, thereby confirming its potential for clinical application. This research is expected to contribute to improving diagnostic accuracy by presenting a novel approach for effectively fusing raw RF data and beamformed image features.

목차 (Table of Contents)

• 1. 서론 1
• 2. 이론적 배경 5
• 2.1. 초음파 영상 원리 및 음속 5
• 2.1.1. 빔포밍과 영상 재구성 5
• 2.1.2. 음속 맵을 이용한 왜곡 보정 7
• 2.2. 음속 맵 복원 방법론 8
• 2.2.1. 전통적인 복원 방법론 8
• 2.2.2. 딥러닝 기반 복원 방법론 9
• 2.2.2.1. 인코더-디코더 구조 9
• 2.2.2.2. 잔차 학습 10
• 2.2.2.3. 어텐션 메커니즘 11
• 3. 연구 방법 13
• 3.1. 제안하는 네트워크 13
• 3.1.1. 전체 구조 13
• 3.1.2. 듀얼 인코더 14
• 3.1.3. 잠재 DAS를 이용한 특징 정렬 및 융합 15
• 3.1.4. 디코더 및 다중 작업 학습 17
• 3.2. 손실함수 17
• 3.2.1. 전체 손실 함수 설계 17
• 3.2.2. 손실 항별 역할 18
• 4. 연구 결과 20
• 4.1. 데이터셋 구성 20
• 4.1.1. 디지털 팬텀 설계 및 생성 과정 20
• 4.2. 실험 환경 23
• 4.2.1. 하드웨어 및 소프트웨어 환경 23
• 4.2.2. 데이터 분할 및 정규화 23
• 4.2.3. 모델 학습 및 최적화 설정 24
• 4.2.4. 조기 종료 및 모니터링 설정 25
• 4.3. 평가 지표 25
• 4.4. 정량적 평가 및 분석 26
• 4.5. 정성적 평가 및 분석 29
• 4.6. 예측된 SoS 맵을 이용한 왜곡 보정 30
• 4.7. 실제 데이터 적용 결과 32
• 5. 결론 및 논의 34