GANPOP: 한 장 이미지로 조직 광학 특성 고속 예측

본 논문은 조직의 광학 특성인 흡수계수(µa)와 감소산란계수(µ′s)를 빠르고 정확하게 추정하기 위한 새로운 딥러닝 프레임워크인 GANPOP을 제안한다. 기존의 공간 주파수 도메인 이미징(SFDI)은 6장의 이미지(두 공간 주파수, 각 3위상)를 필요로 하여 실시간 적용에 한계가 있었으며, 최근 개발된 단일 스냅샷 광학 특성(SSOP) 기법은 구조화 조명 한 장만으로 추정이 가능하지만, 이미지 아티팩트와 정확도 저하라는 문제를 안고 있다. 이러한 배경에서 저자들은 단일 이미지(구조화 조명 혹은 평면 조명)만을 입력으로 받아 광학 특성 맵을 출력하는 조건부 생성적 적대 신경망(cGAN) 기반 모델을 설계하였다. 데이터는 인간 손, 신선한 인간 식도 절제 표본, 그리고 동질적인 PDMS‑TiO₂ 팬텀을 이용해 SFDI로부터 얻은 µa와 µ′s 맵을 ‘그라운드 트루스’로 사용하였다. 각 샘플에 대해 구조화 조명 이미지(I_AC)와 평면 조명 이미지(I_DC)를 촬영하고, 시스템 교정을 위해 DC·AC 기준 이미지(M_DC,ref, M_AC,ref)를 추가 채널로 제공하였다. 네트워크는 총 네 가지 변형(N1~N4)으로 구성되었으며, 입력‑출력 채널 구성을 달리해 흡수·산란, 프로파일링(깊이) 정보를 동시에 학습하도록 설계되었다. 생성기 구조는 ResNet과 U‑Net을 결합한 형태로, 각 레벨에 짧은 스킵(Residual Block)과 긴 스킵(Encoder‑Decoder 간 Feature Add)을 동시에 적용해 깊은 특징을 보존하면서도 학습 안정성을 높였다. 판별기인 PatchGAN은 70×70 픽셀 패치를 기준으로 진위 여부를 판단하며, 과거 64개의 생성 이미지와 함께 학습함으로써 판별기의 다양성을 확보하였다. 손실 함수는 LSGAN(Least Squares GAN) 기반의 제곱 손실에 L1 정규화(λ=60)를 가중합한 형태이며, Adam 옵티마이저(β₁=0.5, β₂=0.999)와 배치 사이즈 1을 사용해 200 epoch 동안 학습하였다. 성능 평가는 정규화 평균 절대오차(NMAE)와 시각적 일관성을 기준으로 진행되었다. 인간 위식도 절제 조직에서는 구조화 조명 기반 GANPOP이 SSOP 대비 µa와 µ′s에서 각각 58%·55% 낮은 NMAE를 기록했으며, 이는 동일한 입력 이미지에서 기존 물리 기반 방법보다 현저히 높은 정확도를 의미한다. 돼지 위·대장 조직(인체와 다른 종)에서도 인간·팬텀 데이터만으로 학습된 GANPOP이 43% 정도의 오차 감소를 보이며, 도메인 전이 능력이 뛰어남을 확인했다. 평면 조명 이미지만을 사용한 경우에도 GANPOP은 SSOP과 동등한 수준의 오차를 유지했으며, 이는 기존 SSOP이 구조화 조명을 필수로 요구하는 제약을 극복한 결과이다. 추가 실험에서는 교정 채널(M_DC,ref, M_AC,ref)을 제외한 모델이 µa와 µ′s에서 각각 230%·58% 더 큰 오류를 보였으며, 시스템 교정이 딥러닝 기반 추정에 필수적임을 강조한다. 또한, µa와 µ′s를 별도 네트워크로 학습했을 때는 성능 향상이 미미했으며, 다채널 공동 학습이 파라미터 공유와 상관관계 학습에 유리함을 시사한다. 논문의 주요 기여는 다음과 같다. (1) 단일 이미지 기반 고속 광학 특성 추정 모델 제시, (2) 구조화·평면 조명 모두에 적용 가능한 유연한 입력 설계, (3) 기존 물리 기반 LUT 검색을 대체하는 데이터‑드리븐 접근법으로 정확도와 처리 속도 모두에서 SSOP을 능가. 한계점으로는 현재 660 nm 단일 파장에 국한되어 있어 다파장·다스펙트럼 확장이 필요하고, 훈련 데이터가 목표 도메인을 충분히 포괄해야 한다는 전제가 있다. 향후 연구에서는 다파장 학습, 임상 현장 적용을 위한 실시간 구현, 그리고 다양한 조직·질환에 대한 일반화 검증이 기대된다.