• 목록

<발표 후기>
8월 28일 (목)
세션: 포스터 세션 #1 (P1-45)
제목: Medical X-ray Image Super-Resolution via Patch-Level Conditional Diffusion Models
본 연구는 저해상도 X-ray 이미지에 대해 패치 기반의 조건부 확산모델을 활용한 초해상도 기법을 제안한다. 딥러닝 아키텍처에서 이미지 데이터를 적용 시, 연산 효율성과 자원 한계로 인해 resize 혹은 균일 크기 변환이 필수적이다. 이는 X-ray 이미지와 같이 고해상도 특성을 기반으로 정밀한 진단을 요구하는 task에서 큰 정보 손실로 이어질 수 있다. 본 연구는 이러한 한계점에 착안하여 초해상도 diffusion model인 SR3기반의 패치기반 초해상도 방법론에 대해 제안한다. 고해상도 이미지에 대해 패치 분할을 적용하여 1696x1584 이미지에 대해 210장의 128x128 패치를 확보하였다. 이로써 92장의 X-ray 이미지 데이터 셋을 19320장의 패치 이미지 셋으로 증강되는 효과가 있었고 학습 안정성과 초해상도의 정밀성 또한 높였다. 패치 단위 추론 과정에서도 패치간 overlap을 부여하여 병합 시 Gaussian mask blending을 적용하여 자연스러운 패치 병함이 되도록 유도하였다. 결과적으로 bi-cubic 보간 알고리즘과  w/o blending 기법 대비 제안 방법론이 PSNR, LPIPS, FID 지표에서 가장 우수한 성능이 나타났다. 이후 높은 time-step으로 추론시간이 상당히 오래걸리는 diffusion model에 대한 좀 더 효율적인 아키텍처를 도출하여 추론시간에서의 성능을 개선하고 임상에서의 사용 가능성을 확인해 나갈 예정이다.

세션: 포스터 세션 #2 (P2-42)
제목: Diffusion Model with Rician-Gaussian priors for Robust MRI Image Synthesis
본 연구는 데이터 희소성이 나타나는 의료 영상 MR 이미지에 대해 DDPM 기반 확산 모델을 적용하여 고품질 합성이미지 생성 방법론을 제안한다. MR 이미지에 대한 촬영 장비에서 미세한 진동이나 자기장으로 인해 주로 나타나는 Rician noise를 고려하여 기존 Gaussian noise 기반 확산 모델에 결합하였다. Rician noise의 denoising 능력을 실험적으로 확인하였으며, 이를 Gaussian noise 기반 확산모델에 적용 시, denoising과 함께 더 다양한 샘플을 생성할 수 있음을 제안하였다. 특히, Rician noise의 경우 비등방성 분포로 분산을 고정 후 노이즈를 직접 예측하는 확산모델에 그대로 적용 시, 학습이 저하될 수 있다. 따라서, Rician noise가 적용된 데이터 샘플에서 Rician noise의 기댓값과 실신호를 제거하여 비중심적 편향을 최소화하였다. 이후 Gaussian noise와 결합 시, 노이즈 조절 계수를 활용하여 Rician-Gaussian 노이즈의 혼합 비율을 제어하였다. 이를 통해서 유연한 노이즈 조절 및 샘플 품질과 다양성에 대한 균형을 맞추었다. 합성 이미지에 대한 품질 평가 및 이상치 맵 생성과 이미지 분할 작업에서 제안 모델 및 합성 샘플들의 유효성을 입증하였고, 추후 샘플 품질 뿐만이 아닌 샘플 다양성에 대한 평가를 수행하고자 한다.

<청취 후기>
8월 28일(목)
세션: 포스터 세션 #2
제목: Golden Noise를 통한 Diffusion Model 기반 Conditional Generational 개선
해당 연구는 사전학습된 diffusion model을 활용하여 노이즈의 종류에 따른 데이터 품질의 향상 가능성을 제시하였다. 가우시안 등방형 분포를 띄는 단순한 구조의 노이즈를 기반으로 학습을 진행해왔던 기존 vanilla 디퓨전 생성 과정에 이미지 품질 향상에 적합한 노이즈의 존재를 파악하고 품질개선을 했다는 점에서 Rician noise를 혼합활용하여 MR 이미지를 생성한 내 개인 연구와 유사하다고 느껴져 관심을 가지게 되었다.  특히 안정적인 학습을 위해 확산모델의 노이즈는 등방형 분포를 가져야하는데 이를 kolmogorov-Smmimov test를 통해 정규분포에 부합하는지를 검정했다는 점에서 내 개인연구에서 만들어낸 RG noise에도 적용해봐야겠다는 생각을 하게 되었다. 또 gaussian 노이즈에 대해 inversion 과정에 controlterm을 추가하여 가우시안 노이즈에 근사시켰다는 점도 내가 주장한 rician noise bias correction 함수의 목표과 동일하여 관심을 가지게 되었다.

<학회 후기>
이번 학회는 8월 27일부터 워크샵과 함께 29일까지 진행되었다. 물류워크샵을 통해 고려대분들과 다양한 이야기를 나누면서 나랑 비슷한 분야의 사람들과 새로운 관계를 형성할 수 있었다. 이렇게 만난 분들을 나중에 졸업 후 사회를 나가서도 알게될 수 있을 것이라 기대하며 뜻깊은 시간이되었다. 또한 2025 한국데이터마이닝 학회를 통해 여러 분야에서 다양한 연구 주제들을 접할 수 있었고, 또 발표중에 비슷한 연구들을 진행중이신 다양한 연구원 혹은 청취자 분들에게 앞으로 연구에 있어서 뼈와 살이 될 수 있는 깊은 고견과 질문들을 받을 수 있어서 큰 도움이 되었다. 다양한 사람들과 연구들을 접하고 또 많은 질문들과 의견들을 수렴하고 또 좋은 기회에 수상을 할 수 있었다는 점에서 너무 뜻 깊은 학회였다. 이렇게  좋은 기회를 마련해주시고 경험하게 해주신 이상민 교수님께 감사드린다.