양전자 방출 단층촬영(PET) 영상의 노이즈 제거에서 선량 감소 비율(DRF)이 변하더라도 높은 품질을 유지하는 범용 신경망 유니PET(UniPET)이 arXiv에 발표됐다. 기존 딥러닝 기반 PET 노이즈 제거 모델이 훈련 시 가정한 고정 선량 감소 비율을 벗어나면 성능이 급격히 떨어지는 문제를 해결하기 위한 연구다.
복수의 선량 감소 비율 데이터를 함께 학습하는 기존 범용 모델들은 서로 다른 비율의 데이터 간 스타일 불일치로 인한 ‘스타일 소거 문제’와 심각한 과평활화 현상을 겪어왔다. 유니PET는 이를 극복하기 위해 도메인 일반화(domain generalization) 개념을 PET 영상 노이즈 제거에 처음 도입했다. 핵심 구성 요소는 스타일 정렬 네트워크(SAN)와 영역 인식 학습 전략(RALS) 두 가지다. SAN은 도메인 일반화 기반의 스타일 정렬 기법으로 다양한 선량 감소 비율에서 스타일을 정렬·복원하고, RALS는 평탄 영역과 스타일 영역을 구분해 후자에만 적대적 학습을 집중 적용함으로써 스타일 복원 정확도를 높였다.
실험 결과 유니PET는 특정 선량 감소 비율에서 해당 비율 전용 모델과 비슷한 성능을 내면서, 범용 노이즈 제거 과제에서는 기존 방법들을 정량·지각·임상 평가 모두에서 앞서는 최고 성능을 달성했다. 실제 PET 촬영 환경에서는 환자의 상태, 스캐너 설정, 임상 프로토콜에 따라 선량 감소 비율이 일정하지 않기 때문에 단일 비율에 최적화된 기존 모델은 현장 적용에 한계가 있었다.
유니PET는 다양한 임상 환경에서 범용적으로 활용 가능한 PET 영상 향상 도구로 주목받는다. 방사선 피폭을 줄이면서도 진단 품질을 유지해야 하는 저선량 PET 검사의 실용화에 기여할 수 있을 전망이다.
