의료영상 압축 최신 동향: 전통 기법에서 딥러닝까지의 전면적 고찰

초록

**
본 설문은 의료영상 압축을 2D와 3D/4D 데이터 구조, 전통적 방법과 학습 기반 방법이라는 두 축으로 구분한 체계적인 분류 체계를 제시한다. 의료영상의 진단 정보 보존 요구, DICOM 표준, 고비트 깊이 등 특수성을 강조하고, 전통적인 변환·예측·엔트로피 코딩과 최신 딥러닝·생성·암시적 신경표현(INR) 기법을 비교·통합한다. 또한 1970년대부터 2025년까지의 기술 발전 흐름을 타임라인으로 정리하고, 3D·4D 영상에서의 공간·시간 상관관계 활용이 현재 연구의 핵심임을 강조한다.

**

상세 분석

**
이 설문은 의료영상 압축 연구를 “데이터 구조(2D vs 3D/4D)”와 “기술 접근법(전통 vs 학습 기반)”이라는 두 차원으로 나누어 네 가지 카테고리로 정리한다. 2D 영상은 기존 JPEG, JPEG‑2000, DCT·웨이브렛 기반 변환 코덱이 널리 사용되며, 고해상도 X‑ray·조직병리 이미지에서 공간적 중복을 효율적으로 제거한다. 반면 3D·4D 영상은 단순히 슬라이스별 2D 코덱을 적용하면 inter‑slice·temporal 상관관계를 활용하지 못해 압축 효율이 크게 떨어진다. 따라서 부피 예측, 3D 변환, 3D‑4D CNN·RNN·LSTM 기반 모델, 그리고 최근의 시공간 트랜스포머와 같은 다차원 구조가 필수적이다.

전통 기법은 수학적 변환·예측·엔트로피 코딩에 기반해 이론적 보장과 표준화가 강점이며, 의료 현장에서 검증된 DICOM 호환성을 제공한다. 그러나 복잡한 구조적·의미적 패턴을 포착하는 데 한계가 있다. 학습 기반 접근법은 대규모 데이터에서 통계적·시맨틱 특성을 자동 학습해 기존 방법보다 높은 RD(Rate‑Distortion) 성능을 보이며, 특히 GAN·VAE·Implicit Neural Representation(INR) 등 생성 모델이 고품질 복원과 초저비트 압축을 가능하게 한다. 하지만 데이터 의존성, 높은 연산·메모리 요구, 해석 가능성 부족, 규제 승인 절차의 복잡성 등 실용화 장벽이 존재한다.

하이브리드 방법은 전통 코덱의 안정성과 학습 모델의 적응성을 결합하려는 시도로, 예를 들어 전통적인 변환 단계 뒤에 신경망 기반 엔트로피 모델을 삽입하거나, ROI‑aware 비트 할당을 딥러닝으로 최적화한다. 이러한 접근은 임상 진단 품질을 유지하면서도 압축 효율을 높이는 방향으로 주목받고 있다.

연구 동향을 살펴보면, 2014‑2025년 사이 학습 기반 의료영상 압축 논문 수가 급증했으며, 특히 3D/4D 분야는 2023‑2025년 사이 두 배 이상 성장했다. 이는 시공간 상관관계를 활용한 모델이 현재 연구의 최전선임을 의미한다. 또한 자연 이미지 압축 기술이 2‑3년 앞서 발전한 뒤 의료영상에 적용되는 ‘기술 전이 지연’ 현상이 관찰된다.

마지막으로, 기존 설문들과 차별화되는 본 연구는 (1) 전통·학습·INR·생성·하이브리드 등 모든 주요 방법론을 포괄, (2) 2D와 3D/4D 데이터 구조를 명확히 구분, (3) DICOM 표준, 진단 정확도, 임상 워크플로우와 같은 의료 특수 요구사항을 상세히 논의한다는 점이다. 이러한 통합적 시각은 향후 압축 알고리즘 설계 시 임상 적용 가능성을 높이는 로드맵을 제공한다.

**