경계보존 딥노이즈링을 통한 다중광자 영상 향상

초록

본 논문은 고감도 3광자 형광 및 제3고조파 생성 현미경 이미지에서, 저광자 예산과 높은 배경 잡음이 동반되는 stochastic resonance 환경을 고려한 경계 보존 딥노이즈 자동인코더(DDAE)를 제안한다. 200장의 평균 이미지를 저노이즈 기준으로 사용해 학습했으며, 기존 필터와 비교해 SNR(3PF 26.6, THG 29.9) 및 SSIM(0.86, 0.87)에서 우수한 성능을 보이며 세포 경계 보존에 뛰어나다.

상세 분석

이 연구는 고속·심부 조직 이미징에서 저광자 예산이 필연적으로 초래하는 잡음 문제를 stochastic resonance(SR) 관점에서 재해석한다. SR은 일정 수준의 잡음이 존재할 때 서브스레시홀드 신호가 검출 가능해지는 현상으로, 고감도 검출기 증폭이 신호와 동시에 배경 잡음을 크게 증가시킨다. 기존의 가우시안, 미디언, 비-로컬 평균(NLM) 등 전통적 필터는 잡음 감소는 가능하지만, 세포 경계와 같은 고주파 구조를 손상시키는 단점이 있다.

논문은 이러한 한계를 극복하기 위해 완전 컨볼루션 기반 자동인코더인 DDAE(Deep Denoising Autoencoder)를 설계하였다. 인코더는 다중 스케일 컨볼루션 블록을 통해 잡음이 섞인 입력을 점진적으로 압축하고, 디코더는 업샘플링과 스킵 연결을 활용해 원본 해상도와 경계 정보를 복원한다. 핵심 설계 요소는

1. 경계 보존 손실 함수: L1 재구성 손실에 더해 Sobel 연산자를 이용한 에지 손실을 가중합함으로써 경계 강화 효과를 부여한다.
2. 데이터 증강: 회전·반전·강도 변조를 통해 제한된 실험 데이터(한 위치당 200장)에서 일반화 능력을 확보한다.
3. SR‑특화 학습: 잡음 레벨을 다양하게 시뮬레이션한 합성 데이터와 실제 3PF·THG 데이터를 혼합해 학습함으로써 SR 환경에 대한 적응성을 높였다.

평가에서는 평균 200장의 저노이즈 이미지를 ‘ground truth’로 설정하고, 단일 노이즈 이미지에 대한 복원 성능을 정량화했다. DDAE는 기존 BM3D, DnCNN, UNet‑based 모델 대비 SNR을 평균 46 dB 향상시켰으며, SSIM에서도 0.030.05 포인트 상승했다. 특히 세포 핵·세포막 경계에서의 구조적 보존이 눈에 띄게 개선되어, 후속 텍스처 분석 및 자동 분할 파이프라인에 직접 적용 가능함을 실험적으로 입증했다.

한계점으로는 200장의 평균 이미지가 실제 실험에서 항상 확보 가능하지 않을 수 있다는 점과, 고해상도(>1024×1024) 대용량 데이터에 대한 메모리 요구가 크다는 점을 들 수 있다. 향후 연구에서는 전이 학습과 메모리 효율적인 슬라이딩 윈도우 방식, 그리고 SR 현상을 정량화하는 물리 기반 모델과의 융합을 제안한다.