합성곱 블록 주의 모듈과 U-Net을 활용한 CT 영상 노이즈 제거 기법

Denoising of CT Images Using U-Net Integrated with Convolutional Block Attention Module

컴퓨터 단층촬영(Computed Tomography; CT)은 질병 진단과 치료 계획 수립에 있어 핵심적인 역할을 수행한다. 고선량의 방사선을 사용한 CT 촬영은 고품질의 영상을 제공하지만, 이는 환자의 방사선 피폭 위험을 증가시키는 단점이 존재한다. 이에 따라 저선량 CT 영상 촬영이 요구되며, 이로 인해 영상 품질 저하 및 노이즈 증가가 불가피하게 발생한다. 이러한 영상 노이즈는 영상의 구조적 해석을 저해하고 진단 정확도에 부정적인 영향을 미치므로, 효과적인 노이즈 제거 기법이 필수적이다. 최근 딥러닝을 활용한 의료 영상 노이즈 제거 및 복원 기법이 활발히 연구되고 있다. 하지만 기존 방법은 중요한 구조적 특징을 충분히 반영하지 못하는 한계가 존재한다. 이를 극복하기 위해 주의 메커니즘(Attention Mechanism)에 기반한 CBAM(Convolutional Block Attention Module)을 도입하였다. CBAM은 채널 및 공간적 특성 정보를 동시에 고려하여 영상 내 중요한 특징을 강조하고 불필요한 정보를 억제하는 방식으로 작동한다. 본 연구에서는 이를 U-Net 구조에 결합함으로써 CT 영상에서의 노이즈 제거 성능을 향상시키고자 하였다. 제안된 모델의 성능 평가는 기존의 단일 U-Net 모델 및 Wavelet 기반 U-Net 모델과 비교하여 수행되었으며, 평가 지표로 PSNR(Peak Signal-to-Noise Ratio)과 SSIM(Structural Similarity Index)을 사용하였다. 실험은 노이즈의 표준편차를 0.01에서 0.1까지 0.01 단위로 증가시키는 다양한 조건에서 진행되었고, 최대 노이즈 조건에서 제안된 모델은 기존 U-Net 대비 PSNR은 약 12.84%, SSIM은 약 20.81% 향상되었으며, Wavelet 기반 U-Net 모델 대비 PSNR은 약 4.41%, SSIM은 약 12.73% 향상된 결과를 보였다. 본 연구는 주의 메커니즘 기반의 CBAM이 CT 영상의 중요한 구조 정보를 효과적으로 보존하며, 복잡한 노이즈 환경에서도 안정적이고 우수한 복원 성능을 제공함을 입증한다. 또한 제안한 모델이 저선량 CT 영상의 화질 저하를 완화하고, 방사선 피폭 저감 및 진단 신뢰도 향상에 기여할 수 있는 가능성을 제시한다.

Computed Tomography (CT) is an essential tool in disease diagnosis and treatment planning. While high-dose CT imaging ensures high-quality images, it poses increased radiation risks to patients. To mitigate this risk, low-dose CT imaging is widely adopted, albeit at the cost of increased noise and reduced image quality. This degradation hampers anatomical interpretation and lowers diagnostic accuracy, necessitating effective denoising techniques. Recently, deep learning-based approaches have shown promise in medical image denoising and restoration. However, many existing models struggle to retain critical structural information. To address this, we propose a CT denoising model that incorporates the Convolutional Block Attention Module (CBAM), an attention mechanism that enhances salient features by combining channel and spatial attention. CBAM was selectively embedded into the early encoder layers of a U-Net architecture to reduce computational cost while focusing on low-level feature refinement. The model’s performance was evaluated against a standard U-Net and a Wavelet-based U-Net using Peak Signal-to-Noise Ratio (PSNR) and Structural Similarity Index (SSIM) as evaluation metrics. Experiments were conducted with varying levels of Gaussian noise, with standard deviations ranging from 0.01 to 0.1. At the highest noise level, the proposed model showed approximately 12.8% and 20.8% improvement in PSNR and SSIM, respectively, over the standard U-Net, and 4.4% and 12.7% improvements over the Wavelet-based U-Net. These results demonstrate that CBAM-based attention effectively preserves anatomical structures while reducing noise in CT images. This approach holds promise for future integration with super-resolution and clinical image restoration frameworks.