U-net과 Nested U-net 모델 기반 저방사능 갑상샘 팬텀 영상의 화질 복원 성능 비교

Comparative Evaluation of Image Restoration Performance in Low-activity Thyroid Phantom Imaging Using U-net and Nested U-net Models

저방사능 조건에서 획득한 갑상샘 핵의학 영상으로 딥러닝 기반 복원 기법의 성능을 평가하였다. 방사성의약품 99mTcO4-를 사용하였으며, 갑상샘 팬텀을 이용해 37 MBq 영상을 정답(Label)으로, 1 MBq 영상을 입력(Input)으로 하여 총 400장의 데이터셋을 구축하였다. 획득 영상의 매트릭스 크기는 256×256으로 고정하였고, PyTorch 환경에서 U-net과 Nested U-net 모델을 구축하고 학습하였다. 학습 과정에는 평균제곱오차를 손실 함수로, Adam을 최적화 알고리즘을 적용하였다. 결과(Output) 영상의 정량적 분석을 위하여 평균제곱근오차(Root mean square error, RMSE), 구조적 유사도 지수(Structural similarity index measure, SSIM), 대조도 대 잡음비(Contrast to noise ratio, CNR), 변동계수(Coefficient of variation, COV)의 지표를 사용하였다. 결과적으로 U-net 모델은 RMSE 3.349±0.630, SSIM 0.593±0.151로 Nested U-net 모델(RMSE 3.531±0.877, SSIM 0.562±0.184)보다 우수한 유사도를 보였다. 또한 CNR은 입력 영상(0.989±0.099)에 비해 U-net 1.351±0.172, Nested U-net 1.349±0.201로 향상되었으며, COV는 입력 영상(0.385±0.024)에서 U-net 0.137±0.012, Nested U-net 0.175±0.011로 감소하였다. 이러한 결과는 복잡한 구조의 네트워크가 항상 더 우수한 성능을 보장하지 않음을 보여주며 저방사능 조건에서 갑상샘 영상 복원에는 단순 구조의 U-net 모델이 효과적임을 확인하였다. 따라서 표준화된 갑상샘 팬텀을 이용함으로써 신뢰성 있는 정량적 지표를 확보하였으며 향후 환자 데이터 기반의 임상 영상 검증과 최신 딥러닝 모델과의 비교를 통해 활용 가능성을 확장 할 수 있다.

This study evaluated the performance of deep learning based restoration methods for thyroid nuclear medicine im-ages acquired under low-activity conditions. The 99mTcO4- was used, and thyroid phantom images were acquired with 37 MBq activity as the label and 1 MBq activity as the input resulting in a dataset of 400 images. All images were acquired with a fixed matrix size of 256×256 for 1 minute. The U-net and Nested U-net models were implemented and trained in the PyTorch famework. During training, mean squared error (MSE) was used as the loss function, and the Adam optimizer was used for optimization. Quantitative matrix of the restored images was performed using root mean square error (RMSE), structural sim-ilarity index measure (SSIM), contrast to noise ratio (CNR), and coefficient of variation (COV). The results demonstrated that U-net achieved lower RMSE (3.349±0.630) compared to Nested U-net (3.531±0.877), and higher SSIM (0.593±0.151) than Nested U-net (0.562±0.184). In terms of noise-related metrics, both U-net and Nested U-net improved CNR relative to the in-put (0.989±0.099), yielding 1.351±0.172 and 1.349±0.201, respectively. Similarly, the COV was reduced from 0.385±0.024 in the input to 0.137±0.012 for U-net and 0.175±0.011 for Nested U-net. These findings indicate that more complex network ar-chitecture such as Nested U-net do not necessarily guarantee superior performance, and that U-net with its simpler structure was effective for restoring thyroid images acquired under low-activity conditions. Furthermore, the use of a standardized thy-roid phantom allowed the acquisition of reliable quantitative indices, and futhre work will extend to validation using patient data and comprative studies with state-of-the-art deep learning models.