[Misols 기술 블로그 14강] 노이즈 제거와 화질 개선의 마술: 딥러닝 기반 초고해상도 영상 재구성

날짜:

지난 13강에서 우리는 인공지능(AI)이 수백만 개의 픽셀 숫자를 읽어내며 엑스선 영상 속 암세포를 스스로 찾아내는 원리(컴퓨터 비전과 딥러닝)에 대해 알아보았습니다. 이것이 의사의 '눈'을 대신하는 기술이라면, 오늘 다룰 내용은 의사가 보는 '안경의 도수' 자체를 마법처럼 높여주는 기술입니다.

방사선을 아주 조금만 쓰고도(초저선량), 어떻게 기존보다 훨씬 선명하고 깨끗한 영상을 얻을 수 있을까요? 이번 14강에서는 최첨단 딥러닝 알고리즘이 엑스선 사진의 노이즈를 지우고 해상도를 극대화하는 원리와, 이 기술이 Misols의 차세대 하드웨어와 만났을 때 폭발하는 시너지에 대해 구체적인 사례로 풀어보겠습니다.

1. 과거의 수학적 한계: 지우개로 지우다 선까지 지워버리다

기존의 CT 장비들은 엑스선이 통과한 그림자 데이터를 3차원 영상으로 만들기 위해 역투영법(FBP)이라는 고전적인 수학 공식을 사용했습니다. 계산이 빠르다는 장점이 있지만, 환자의 피폭을 줄이기 위해 방사선량을 낮추면 화면에 눈이 내리듯 지지직거리는 심각한 노이즈가 발생했습니다.

이를 해결하기 위해 엔지니어들은 노이즈가 많은 부분을 수학적으로 뭉개버리는 필터나, 수십 번의 반복 계산을 통해 노이즈를 줄이는 반복 재구성(IR) 기법을 도입했습니다.

  • 이해하기 쉬운 비유: 오래되어 얼룩(노이즈)이 묻은 흑백 사진을 복원한다고 상상해 보세요. 과거의 수학적 방식은 단순히 얼룩 주변을 지우개로 문질러 번지게 만드는 것과 같습니다. 얼룩은 옅어지지만, 사람의 눈코입 경계선(해상도)까지 덩달아 흐리멍덩해지거나 왁스 인형처럼 어색하고 인위적인 질감(Plastic appearance)이 만들어지는 치명적인 부작용이 있었습니다.



2. 딥러닝의 마술: 정답을 보고 복원하는 화가 (DLIR)

딥러닝 기반의 영상 재구성 기술은 접근 방식이 완전히 다릅니다. 지우개로 문지르는 대신, 수천만 장의 그림을 그려본 천재 화가(인공지능)를 고용하는 것입니다.

학습 과정은 이렇습니다.

  1. 인공지능에게 똑같은 환자를 찍은 두 장의 사진을 보여줍니다. 하나는 방사선을 아주 조금 쏘아 노이즈가 자글자글한 '저화질 사진(문제지)'이고, 다른 하나는 방사선을 듬뿍 쏘아 아주 선명한 '초고화질 사진(정답지)'입니다.

  2. 수만 쌍의 문제지와 정답지를 반복해서 보여주며 훈련을 시킵니다.

  3. 인공지능(신경망)은 "아, 이런 패턴의 노이즈 아래에는 원래 이런 모양의 혈관이 숨어있구나!" 하고 노이즈와 진짜 인체 구조를 구별하는 복잡한 함수 관계를 스스로 깨우칩니다.

이렇게 학습된 인공지능은 실제 병원에서 초저선량으로 찍은 지지직거리는 사진이 들어오면, 뼈의 날카로운 모서리나 미세한 혈관의 형태는 완벽하게 살려두면서 오직 '노이즈'만 귀신같이 발라내어 제거합니다.


3. 흐릿한 점을 또렷하게: 초고해상도(Super-Resolution) 기술

여기서 한 걸음 더 나아간 것이 초고해상도(Super-Resolution) 기술입니다.

  • 구체적인 사례: 우리가 유튜브에서 과거의 720p 화질 영상을 4K 화질로 업스케일링(Upscaling)해서 볼 수 있는 것과 같은 원리입니다. 단순히 픽셀 크기를 억지로 늘리는 것이 아니라, 인공지능이 주변 픽셀들의 맥락과 자신이 학습한 해부학적 지식을 바탕으로 "이 빈 공간에는 이런 픽셀이 있어야 해"라고 빈칸을 정교하게 채워 넣습니다.

이를 통해 치과용 CT에서 치아 뿌리 내부의 미세한 신경관 구조나, 아주 얇은 실금(Crack)처럼 기존 해상도로는 뭉개져서 보이지 않던 영역을 또렷하게 복원해 낼 수 있습니다.


4. 하드웨어(PCD)와 딥러닝의 완벽한 결합: Misols의 초격차

인공지능이 이렇게 똑똑하다면, 그냥 기존 장비(EID)에 이 소프트웨어만 얹어서 쓰면 되지 않을까요? 여기에 딥러닝의 가장 큰 함정이 있습니다. 바로 '환각(Hallucination)' 현상입니다. 기존 장비의 데이터는 기계적 잡음과 빛의 산란으로 인해 근본적인 정보 자체가 심하게 훼손되어 있습니다. 인공지능이 이 망가진 데이터를 억지로 복원하려다 보면, 원래 몸속에 없던 가짜 구조물을 뼈나 종양으로 착각해서 그려 넣는 치명적인 오진이 발생할 수 있습니다.

바로 이 지점에서 Misols의 차세대 광자 계수형 디텍터(PCD)가 가진 진가가 폭발합니다. PCD는 애초에 기계적 노이즈가 '0'에 가까운, 100% 순수한 디지털 원시 데이터(Raw data)를 제공합니다. 즉, 거짓 없는 가장 깨끗한 도화지를 인공지능에게 넘겨주는 것입니다.

오류 없는 완벽한 하드웨어(PCD) 데이터와 최첨단 소프트웨어(딥러닝)가 만나면, 인공지능은 환각 현상 없이 자신의 능력을 200% 발휘할 수 있습니다.

  • 산업적 적용: 이는 반도체 생산 라인에서도 마찬가지입니다. MIS1000 인라인 검사 장비가 초고속으로 HBM의 3D 단면 데이터를 찍어내면, 딥러닝 기반 재구성 알고리즘이 머리카락보다 얇은 마이크로 범프(Micro-bump)의 미세한 결함이나 기포(Void)를 초고해상도로 복원하여 수율 저하의 원인을 실시간으로 정확하게 잡아냅니다.

방사선의 공포를 이겨낸 완벽한 하드웨어에, 화질을 극대화하는 인공지능 소프트웨어까지 탑재되었습니다. 그렇다면 이제 이 기술이 병원에 설치되었을 때, 우리의 진료 환경은 구체적으로 어떻게 변하게 될까요?

다음 15강, [[Misols Vision] 진료 의자 옆의 초저선량 CT: 치과 및 소형 병원의 미래]에서는 그동안 다룬 혁신 기술들이 하나로 집약된 MIS3000/4000 시스템이 의료 현장의 풍경을 어떻게 바꾸어 놓을지 그 청사진을 그려보겠습니다.

[전문 용어 및 약어 주석]

  • CT (Computed Tomography, 컴퓨터 단층촬영장치): 엑스선을 360도 회전하며 촬영해 인체 단면을 3차원 영상으로 재구성하는 장비.

  • FBP (Filtered Back Projection, 여과역투영법): 1970년대부터 사용된 전통적이고 가장 기본적인 CT 영상 재구성 수학 알고리즘. 계산이 빠르나 노이즈와 아티팩트에 매우 취약함.

  • IR (Iterative Reconstruction, 반복 재구성법): 컴퓨터가 예상되는 이미지를 먼저 만든 후, 실제 측정한 데이터와 비교하여 오차를 줄여나가는 과정을 수십 번 반복하여 노이즈를 제거하는 영상 재구성 방식.

  • DLIR (Deep Learning Image Reconstruction, 딥러닝 기반 영상 재구성): 인공신경망이 방대한 양의 고화질/저화질 데이터 쌍을 학습하여, 저선량으로 촬영된 데이터의 노이즈만 선택적으로 완벽하게 제거해 내는 최신 인공지능 기술.

  • Super-Resolution (초고해상도 기술): 저해상도의 영상 데이터로부터 딥러닝 등 알고리즘을 이용해 디테일이 살아있는 고해상도의 영상을 수학적으로 추정하고 복원해 내는 컴퓨터 비전 기술.

  • PCD (Photon Counting Detector, 광자 계수형 디텍터): 엑스선 입자를 개별적으로 계수하여 노이즈를 근본적으로 차단하는 차세대 엑스선 센서로, 딥러닝 알고리즘에 가장 이상적인 원시 데이터를 제공함.

[참고해 볼 만한 링크]

댓글

댓글 쓰기