Papers·2일 전
UniPET: 다양한 저선량 PET 영상에서 스타일 정렬로 잡음 제거 — DRF별 개별 모델과 동등 성능
Zhiwen Yang 팀이 다양한 선량 감소 인자(DRF)에서도 일관된 성능을 내는 범용 PET 잡음 제거 네트워크 UniPET을 제안했습니다. 도메인 일반화에서 착안한 스타일 정렬 네트워크(SAN)로 DRF 간 스타일 불일치를 정렬하고, 영역 인식 학습 전략(RALS)으로 평탄 영역과 스타일 영역을 구분해 후자에만 적대적 학습을 적용해 과도한 평활화를 방지합니다. 실험 결과, 특정 DRF 전용 모델과 동등한 성능을 보였으며 범용 PET 잡음 제거에서 정량적·임상적 최고 수준을 달성했습니다. 단, 학습에 다중 DRF 데이터가 필요하고 코드 공개 여부는 아직 확인되지 않았습니다.
Zhiwen Yang 팀이 다양한 선량 감소 인자(DRF)에서도 일관된 성능을 내는 범용 PET 잡음 제거 네트워크 UniPET을 제안했습니다.
핵심 결론
- 태스크 — 범용 PET 영상 잡음 제거 — 다양한 DRF(2x, 4x, 8x 등)에서 단일 모델로 처리.
- 성능 — 특정 DRF 전용 모델과 동등한 PSNR/SSIM, 범용 설정에서 SOTA 달성.
- 임상 평가 — 방사선 전문의 평가에서도 기존 범용 모델 대비 선호도 우위.
방법
- 스타일 정렬 — SAN이 도메인 일반화의 스타일 정렬 기법을 차용, DRF 간 스타일 분포를 정렬해 일반화 성능 확보.
- 영역 인식 학습 — RALS가 평탄 영역과 스타일 영역(경계, 질감)을 분할해 후자에만 적대적 학습을 적용, 과도한 평활화 방지.
- 전체 구조는 U-Net 기반 인코더-디코더에 SAN과 RALS를 결합한 형태입니다.
한계·조건
- 데이터 — 다중 DRF 저선량 PET 데이터가 필요하며, 실제 임상 환경에서 DRF가 연속적인 경우 추가 검증 필요.
- 코드 — 현재 코드 및 사전 학습 모델은 공개되지 않았습니다.
- 계산량 — 적대적 학습 포함으로 단순 U-Net 대비 학습 시간 증가.
편집자 한 줄
DRF별 모델을 따로 만들지 않아도 된다는 점은 실용적이지만, 코드 공개가 아직이라 재현성은 좀 더 지켜봐야겠네요.
- #pet
- #image-denoising
- #domain-generalization
- #unipet
Zhiwen Yang