전산화단층촬영 영상의 움직임 인공물 감소를 위한 시뮬레이션 기반 U-Net 모델 연구

Simulation Based U-Net Model for Motion Artifact Reduction in Computed Tomographic Images

전산화단층촬영(computed tomography, CT) 영상 획득 시 심장박동이나 호흡에 의한 움직임 인공물은 불가피하게 발생하며, 특히 소아나 고령 환자의 경우 돌발적인 신체적 움직임의 통제가 불가능하여 발생 빈도가 월등히 높다. 이러한 인공물는 폐 및 심장 등의 해부학적 구조에 왜곡을 일으켜 진단의 정확도를 저하시킨다. 정확한 정보 획득을 위해 재촬영이 고려될 수 있으나, 이는 이중촬영으로 인한 환자 피폭선량의 증가로 이어질 수 있다. 따라서, 본 연구에서는 흉부 CT 영상에서 발생하는 움직임 인공물을 피폭선량의 증가 없이 효과적으로 제거하기 위해 U-Net 모델을 활용한 복원 기법을 제안하고자 한다. 높은 성능의 U-Net 모델을 제안하기 위해 시뮬레이션 기반의 데이터셋을 구성하였다. 특히, 획득한 3D 흉부 CT 영상으로부터 직접 회전, 이동 및 호흡에 대한 움직임을 무작위적인 강도를 적용하여 발생시켰으며, 이에 대한 sinogram을 획득하였다. 이후 simultaneous iterative reconstruction technique을 적용하여 최종적으로 motion artifact가 발생된 흉부 CT 영상을 확보함으로써 제안한 U-Net 모델을 훈련하였다. U-Net 모델 학습 후 최대 신호 대 잡음비와 상관계수지표를 이용한 정량적 평가를 진행한 결과 움직임 인공물이 발생된 흉부 CT 영상과 비교하여 각각 약 1.5배 및 1.2배 개선되었음을 확인하였다. 다만 특정 부위의 일부 신호 및 미세 혈관 신호의 소실이라는 한계점이 관찰되어 향후 이에 대한 추가 연구가 이루어진다면 본 모델은 임상에서 더욱 유용하게 활용될 수 있을 것으로 기대한다.

Motion artifacts caused by cardiac pulsation and respiration are inevitable during computed tomography (CT) imaging. These artifacts occur more frequently in pediatric and elderly patients due to the difficulty in controlling sudden body movements. Motion artifacts distort anatomical structures such as the lungs and heart, leading to reduced diagnostic accuracy. Although repeated scans may be considered to obtain clearer images, this results in increased radiation exposure to the patient. Therefore, in this study, we propose a U-Net–based restoration method to effectively remove motion artifacts in chest CT images without increasing radiation dose. To develop a high-performance U-Net model, we constructed a simulation-based dataset by directly applying random intensities of rotation, translation, and respiratory motion to acquired 3D chest CT images and generating the corresponding sinograms. Subsequently, the simultaneous iterative reconstruction technique (SIRT) was ap-plied to obtain motion artifact–containing CT images, which were then used for training the proposed U-Net model. Following the training of the U-Net model, quantitative evaluation using the peak signal-to-noise ratio and correlation coefficient demon-strated improvements of approximately 1.5 and 1.2 times, respectively, compared with chest CT images affected by motion artifacts. However, limitations such as the loss of signals in certain regions, including fine vascular structures, were observed. Future studies addressing these limitations are expected to enhance the clinical applicability of the proposed model.