딥러닝 기반 CT 영상 노이즈 제거 기법 성능 비교 : 단일 U-Net, 웨이블릿 변환 및 CBAM 적용 모델 분석 = Performance Comparison of Deep Learning-Based CT Image Denoising: Single U-Net, Wavelet Transform, and CBAM Models

국문 초록 (Abstract)

딥러닝 기반 CT 영상 노이즈 제거 기법 성능 비교: 단일 U-Net, 웨이블릿 변환 및 CBAM 적용 모델 분석 컴퓨터 단층촬영(Computed Tomography, CT)은 질병 진단과 치료 계 획 수립에 있어 핵심적인 역할을 수행한다. 고선량의 방사선을 사용한 CT 촬영은 고품질의 영상을 제공하여 판독을 정확하게 하지만, 이는 환자의 방사선 피폭 위험을 증가시키게 된다. 이에 따라 저선량 CT 영상 촬영이 요구되며, 이로 인해 영상 품질 저하 및 노이즈 증가가 불가피하게 발생한 다. 이러한 노이즈는 영상의 구조적 해석을 저해하고 진단 정확도에 부정 적인 영향을 미치므로, 효과적인 노이즈 제거 기법이 필수적이다. 최근 딥러닝을 활용한 의료 영상 노이즈 제거 및 복원 기법이 활발하게 연구되고 있다. 그중에서도 합성곱 신경망(Convolution Neural Network, CNN)을 기반으로 하는 U-Net 모델이 의료영상 분야에서 널리 활용되고 있다. 본 연구에서는 U-Net 모델을 기반으로 한 다양한 CT 영상 노이즈 제거 기법을 적용하여 그 성능을 정량적으로 평가하고 분석하고자 한다. 노이즈 제거를 위해 웨이블릿 변환을 기반으로 한 U-Net 모델을 구성 하였다. 웨이블릿 변환은 영상을 시간-주파수 영역에서 동시에 분석할 수 있는 기법으로, CT 영상을 저주파 성분과 고주파 성분으로 분리한다. 저 주파 성분은 장기와 병변 등 주요 해부학적 구조 정보를 포함하므로 그대 로 보존하고, 고주파 성분은 경계 정보와 노이즈를 함께 포함하므로 경계 는 유지하면서 노이즈만 억제하여 복원한다. 이후 보존된 저주파 성분과 복원된 고주파 성분을 역 웨이블릿 변환을 통해 재구성하고, 이렇게 얻어 진 결과 영상을 U-Net에 입력하여 최종적으로 노이즈가 제거된 CT 영상 을 획득한다. 또한 주의 메커니즘을 기반으로 한 CBAM(Convolution Block Attention Module)을 U-Net에 적용하여 노이즈 제거 모델을 구성하였 다. CBAM은 채널 및 공간적 특성 정보를 동시에 고려하여 영상 내 중요 한 특징을 강조하고 불필요한 정보는 억제하는 방식으로 작동한다. 이를 U-Net의 인코딩 경로 초기 단계에 결합시켜 CT 영상 노이즈를 제거한 다. 모델 성능 평가는 단일 U-Net, 웨이블릿 변환 기반 U-Net, CBAM 기 반 U-Net의 정량적 비교를 통해 수행하였다. 평가 지표로는 PSNR(Peak Signal-to-Noise Ratio)과 SSIM(Structural Similarity Index Measure)을 사용하였고, 실험은 노이즈의 표준편차를 0.01에서 0.1까지 0.01 간격으로 변화시키며 각 조건별로 수행되었다. 세 가지 모델 중 CBAM 기반 U-Net 모델이 가장 우수한 노이즈 제거 성능을 나타냈다. 최대 노이즈 조건 기준 단일 U-Net 대비 PSNR은 약 12.84%, SSIM은 약 20.81% 향상되었으며, 웨이블릿 변환 기반 U-Net 대비 PSNR은 약 4.41%, SSIM은 약 12.73% 개선된 결과를 보였다. 본 연구는 딥러닝 기반 U-Net 모델을 활용한 다양한 CT 영상 노이즈 제거 기법의 성능을 비교·분석하여 의료 영상 복원 연구의 발전에 기여하 고 저선량 CT 영상의 품질 개선과 진단 신뢰도 향상 가능성을 제시한다.

다국어 초록 (Multilingual Abstract)

Computed Tomography (CT) is an essential tool in disease diagnosis and treatment planning. While high-dose CT scanning provides high-quality images for accurate interpretation, it inevitably increases the risk of patient radiation exposure. Consequently, low-dose CT imaging is required, but it inevitably leads to image degradation and increased noise. Such noise interferes with the structural interpretation of images and negatively affects accuracy, underscoring the necessity of effective denoising techniques.
In recent years, deep learnin-based denoising and image restoration methods have been actively studied in the medical imaging field. Among them, the U-Net model, based on Convolutional Neural Networks (CNNs), has been widely applied. In this study, several CT image denoising techniques were implemented based on the U-Net model and quantitatively evaluated.
First, a U-Net integrated with wavelet transform was designed. CT images in DICOM format were decomposed into frequency components using wavelet transform, where low-frequency components containing major anatomical structures such as organs and lesions were preserved, while suppressing irrelevant information. By partially integrating CBAM into the U-Net structure, noise reduction performance was further improved.
The performance of the three models, Single U-Net, Wavelet-U-Net, and CBAM-U-Net, was quantitatively compared. Peak Signal-to-Noise Ratio (PSNR) and Structural Similarity Index Measure (SSIM) were used as evaluation metrics, and experiments were conducted under various noise conditions with standard deviations ranging from 0.01 to 0.1 at intervals of 0.01.
Among the three models, the CBMA-U-Net demonstrated the best denoising performance. Under the highest noise condition, CBAM-U-Net outperformed the single U-Net by approximately 12.84% in PSNR and 20.81% in SSIM, and improved upon the Wavelet-U-Net by 4.41% in PSNR and 12.73% in SSIM.
In conclusion, this study systematically compared and analyzed different CT image denoising methods based on U-Net, demonstrating the potential of CBAM-U-Net as the most effective approach. These findings contribute to the advancement of medical image restoration research and suggest the potential for improving image quality and diagnostic reliability in low-dose CT imaging.

목차 (Table of Contents)

• 표 목 차 ⅲ
• 그 림 목 차 ⅳ
• 국 문 요 약 ⅴ
• 1. 서론 1
• 1. 1 연구 배경 1
• 1. 2 연구의 필요성과 의의 4
• 1. 3 이론적 배경 6
• 1. 3. 1 CT 영상 및 노이즈 발생 원리 6
• 1. 3. 2 저선량 CT의 임상적 활용 배경 8
• 1. 3. 3 영상 품질 평가의 기본 이론 10
• 1. 4 연구 목적 13
• 2. 딥러닝 기반 노이즈 제거 기법 14
• 2. 1 딥러닝(Deep Learning) 14
• 2. 2 합성곱 신경망(Convolution Neural Network, CNN) 17
• 2. 3 U-Net 모델 20
• 2. 3. 1 U-Net 모델의 구조 20
• 2. 3. 2 U-Net 모델의 특징 22
• 2. 4 웨이블릿 변환 기반 노이즈 제거 기법 23
• 2. 4. 1 웨이블릿 변환(Wavelet Transform) 23
• 2. 4. 2 웨이블릿 모함수(Wavelet Mother Function) 26
• 2. 4. 3 임계값 설정(Thresholding)28
• 2. 4. 4 웨이블릿 변환 과정 및 적용 30
• 2. 5 CBAM 기반 노이즈 제거 기법 32
• 2. 5. 1 주의 메커니즘(Attention Mechanism) 32
• 2. 5. 2 CBAM(Convolution Block Attention Module) 구조
• 및 작동 원리 33
• 2. 5. 3 CBAM + U-Net 모델 구조 36
• 3. 모델 성능 평가 방법 38
• 3. 1 실험 데이터 및 ROI 설정 38
• 3. 2 모델 학습을 위한 손실 함수 구성 40
• 3. 3 모델 하이퍼파라미터 41
• 3. 4 성능 평가 지표 42
• 4. 결과 44
• 5. 고찰 54
• 6. 결론 57
• 참고문헌 58
• ABSTRACT 66