복부 MRI 호흡 움직임 보정을 위한 딥러닝 기반 밀집 연결 U‑넷과 GAN 훈련

초록

본 연구는 호흡에 의해 발생하는 복부 MRI의 흐림·고스트 현상을 딥러닝으로 제거한다. 밀집 연결 구조를 갖는 U‑넷에 GAN 기반 지도와 퍼셉추얼 손실을 결합해, 합성·실제 호흡 아티팩트 데이터를 학습시켰다. 실험 결과 PSNR·SSIM이 크게 향상되었으며, 시각적으로도 잡음이 감소한 고품질 영상을 복원함을 확인하였다.

상세 분석

이 논문은 복부 MRI에서 흔히 나타나는 호흡 유도 블러와 고스트 아티팩트를 해결하기 위해, 기존의 물리적 제어(호흡 정지, 게이팅 등)와 전통적 후처리 방법이 갖는 시간·불편성 문제를 딥러닝으로 대체하고자 한다. 제안된 모델은 기본적인 U‑넷 구조에 DenseNet‑style 연결을 추가해 각 레이어가 이전 모든 피처맵을 직접 접근하도록 설계하였다. 이는 특징 재사용을 극대화하고, 얕은 층에서 학습된 미세 구조 정보를 깊은 층에서도 유지하게 하여 복잡한 모션 패턴을 효과적으로 복원한다. 또한, 생성자(밀집 U‑넷)와 판별자(PatchGAN 형태)를 동시에 학습시키는 GAN‑guided 훈련을 도입해, 전통적인 L1/L2 손실만으로는 잡히기 어려운 고주파 디테일을 보존하도록 유도한다. 퍼셉추얼 손실은 사전 학습된 VGG 네트워크의 중간 레이어 출력을 비교함으로써, 인간 시각에 민감한 구조적 차이를 최소화한다. 데이터셋은 두 종류로 구성했는데, 정상 복부 MRI에 인위적으로 호흡 변형을 시뮬레이션한 합성 데이터와, 실제 환자에게서 획득한 호흡 아티팩트가 포함된 임상 데이터를 모두 사용하였다. 학습 과정에서는 Adam 옵티마이저와 단계적 학습률 감소 전략을 적용했으며, 정규화와 데이터 증강을 통해 과적합을 방지하였다. 평가 지표는 PSNR, SSIM 외에 전문가 판독에 기반한 주관적 품질 점수를 포함했으며, 제안 모델은 기존 U‑넷·ResNet 기반 복원 모델 대비 평균 PSNR 34 dB, SSIM 0.020.04 상승을 기록했다. Ablation study에서는 Dense 연결이 없는 경우와 GAN 손실을 제외한 경우 각각 성능 저하가 관찰돼, 두 요소가 상호 보완적으로 작용함을 입증한다. 한계점으로는 훈련 데이터의 다양성 부족과, 매우 큰 호흡 변형(>10 mm)에서는 복원 품질이 여전히 떨어지는 점을 들었다. 향후 연구에서는 멀티‑스케일 디코더와 3D 볼륨 기반 학습을 도입해 전역적인 모션 보정을 목표로 할 수 있다.