저선량 CT 영상의 혁신: GAN 기반 딥러닝 기술을 활용한 고해상도 의료 영상 복원
http://dx.doi.org/10.31916/sjmi2025-02-6 의료 진단 분야에서 컴퓨터 단층촬영 (Computed Tomography, CT) 은 내부 장기의 해부학적 구조를 비침습적으로 시각화하는 필수적인 도구입니다 . 하지만 X- 선 촬영에 수반되는 이온화 방사선 (ionizing radiation) 은 잠재적인 발암 위험을 포함하여 인체에 장기적인 생물학적 위험을 초래할 수 있습니다 . 이에 따라 임상 현장에서는 방사선 노출을 진단에 필요한 최소 수준으로 유지해야 한다는 ALARA(As Low As Reasonably Achievable) 원칙 을 엄격히 준수하고 있습니다 . 문제는 방사선 선량을 줄이기 위해 관전류 (mAs) 나 전압 (kVp) 을 낮추면 신호 대 잡음비 (SNR) 가 급격히 떨어진다는 점입니다 . 이로 인해 발생하는 저선량 CT(LDCT) 영상의 양자 노이즈 (quantum noise) 와 선형 아티팩트 (streaking artifacts) 는 미세한 병변을 가려 오진의 원인이 될 수 있습니다 . 본 칼럼에서는 이러한 한계를 극복하기 위해 제안된 최신 생성적 적대 신경망 (Generative Adversarial Networks, GAN) 기반의 영상 향상 프레임워크에 대해 심층적으로 분석합니다 . 1. 기존 기술의 한계와 딥러닝의 등장 과거에는 저선량 CT 의 비선형 노이즈를 처리하기 위해 반복 재구성 (Iterative Reconstruction, IR) 알고리즘이 사용되었습니다 . IR 방식은 영상 품질을 다소 개선하지만 , 연산 비용이 매우 높고 결과 영상이 마치 플라스틱처럼 보이는 "waxy( 왁스 같은 )" 질감을 유발하여 미세한 조직의 특징을 왜...