의료 영상에서 심층 학습 모델의 임상 배포를 위해서는 즉시 사용 가능한(out-of-the-box) 견고한 성능이 필수적이다. 모델 일반화에 영향을 미치는 중요하지만 충분히 탐구되지 않은 요인 중 하나는 강도 정규화이며, 특히 스캐너와 프로토콜에 따라 영상 강도가 달라지는 자기공명영상(MRI)에서 그렇다. 본 연구에서는 무릎 MRI에서 반월상연골 분할을 위한 3D U-Net 모델의 성능에 미치는 영향을 평가하기 위해 7가지 정규화 방법을 체계적으로 비교했다. 방법에는 표준 스케일링 접근법, 히스토그램 기반 기법, 그리고 가우시안 혼합 모델(GMM) 기반 방법이 포함되었다. 모델은 IWOAI 2019 데이터셋에서 학습되었고, 내부 및 외부 테스트 세트(SKM-TEA)에서 평가하여 일반화 성능을 측정했다. 내부에서는 성능이 유사했으나 외부 데이터에서는 차이가 유의미했으며, Z-score, Nyúl 히스토그램 매칭, CLAHE가 다른 방법보다 더 큰 견고성을 보였다. 그러나 이러한 차이는 데이터셋 간에 관찰된 유의미한 성능 저하에 비해 작았다. 전반적으로 강도 정규화는 모델 일반화에 측정 가능한 영향을 미쳤지만, 도메인 이동(domain shift)의 영향에 비해 그 영향은 제한적이었으며, 이는 견고한 배포를 위한 보완적 전략의 필요성을 강조한다.
3차원(3D) 뇌 MRI는 임상 신경학 및 신경종양학의 핵심이며, 여기서 생성 모델은 대표성이 부족한 코호트를 보강하고, 질병 궤적을 시뮬레이션하며, 프라이버시 보존 데이터 공유를 지원할 수 있습니다. 잠재 확산(Latent diffusion)은 영상 데이터 모델링의 대표적인 해결책이었지만, 토크나이저에 두 가지 상충하는 요구 사항을 부과합니다. 즉, 인코더 임베딩은 다운스트림 작업에서 활용하는 임상 정보를 유지해야 하고, 디코더는 해부학적으로 충실한 볼륨을 재구성해야 합니다. 기존의 재구성 중심 토크나이저는 후자를 달성하기 위해 전자를 희생합니다. 이를 해결하기 위해 우리는 3D 뇌 MRI 잠재 확산을 위한 완전 볼륨 기반 마스크드 오토인코더(MAE) 기반 토크나이저를 도입하여 인코더와 디코더를 분리했습니다. 고정된 3D MAE 인코더는 임상적으로 유의미한 임베딩을 생성하고, 전용 CNN 디코더는 해당 임베딩의 선형 투영으로부터 복셀을 재구성합니다. 우리는 4가지 모달리티, 10가지 질병 범주, 200개 이상의 데이터 수집 사이트에 걸친 18개의 공개 코호트에서 총 35,309개의 볼륨으로 인코더를 사전학습(pre-training)했으며, 두 가지 설정에서 그 이중 유용성을 입증합니다. 첫째, 23개 작업으로 구성된 선형 프로빙(linear probing) 벤치마크에서 해당 인코더는 23개 작업 중 21개에서 최첨단(SOTA) 모델(즉, BrainIAC, BrainSegFounder, MedicalNet)보다 우수하거나 동등한 성능을 보였습니다. 둘째, 임상적으로 유의미한 임베딩으로 학습된 조건부 확산 트랜스포머(DiT)는 6개 변수에 걸친 조건부 생성과 환자별 종단 예측(longitudinal forecasting)을 모두 지원합니다. 종합적으로 이러한 결과는 다운스트림 임상 작업과 제어 가능한 생성을 모두 수행할 수 있는 단일 3D 뇌 MRI 임베딩 공간을 확립합니다.
여성 골반 질환은 연구가 부족한 분야로, 진단이 종종 지연되는 특징을 보인다. 골반 MRI는 진단 및 영상 유도 시술에 우수한 연조직 대비를 제공하지만, 생리적 움직임, 조직 변형, 기구 아티팩트로 인해 실시간 이상 탐지는 여전히 어렵다. 기존 지도 학습 접근법은 이상 사건이 드물고 이질적이며 주석을 달기 어려워 실용적이지 않다. 우리는 골반 MRI에 맞게 조정한 Dinomaly 기반 비지도 이상 탐지 프레임워크를 제안한다. 이 프레임워크는 건강한 사례로부터 정상 표현을 학습하고 레이블 없이 편차를 표시한다. 우리 접근법은 동결된 DINOv3 Vision 트랜스포머 인코더와 노이즈 MLP 병목, Linear Attention 디코더를 결합하여 동일성 매핑(identity mapping)을 방지하면서 계산 효율성을 유지한다. 이상은 인코더와 디코더 표현 간 토큰별 코사인 거리를 통해 국소화되며, 공간적 이상 맵을 생성하여 방사선과의 의사결정 및 적응형 프로토콜 조정을 지원하기 위해 스캐너에서 즉각적인 피드백을 제공한다. 자궁 근종 데이터셋(Uterine Myoma Dataset)의 선별된 하위집합에서 평가한 결과, 프레임워크는 픽셀 수준 AUROC 88.06%와 프레임 수준 95.45%의 높은 특이도(specificity)를 초당 40.5 슬라이스 속도로 달성하여 실시간 임상 배포 요구사항을 충족한다. 공간적 이상 맵과 프레임 수준 점수는 활성 시술 중 방사선과의 의사결정 및 적응형 프로토콜 조정을 지원하기 위해 스캐너에서 즉각적이고 국소화된 피드백을 제공한다.
가속 MRI를 위한 능동 샘플링은 서로 매우 다른 종류의 정보를 담고 있는 공간 주파수들에 제한된 샘플링 예산을 분배해야 한다. 저주파는 대부분의 해부학적 문맥을 담고 있으며, 고주파는 병리 평가를 좌우하는 미세한 디테일을 담는다. 기존 능동 샘플러는 두 영역을 동일하게 다루거나 행동 공간을 전체 Cartesian 행으로 제한하여, 높은 가속에서 나쁜 절충을 강요한다. 우리는 이 계층 구조를 중심으로 구축된 과제 기반 프레임워크인 HieraSample을 제안한다. 코사인 어닐링 커리큘럼은 80개의 획득 단계에 걸쳐 가속 인자를 20배에서 4배로 낮추면서 매 단계마다 완전 샘플링된 저주파 디스크를 유지한다. Mamba 기반 정책은 이후 이중 질병 및 중증도 분류기가 추출한 특징으로부터 개별 고주파 좌표를 선택한다. 보상은 각 행동 후 클래스 가중 교차 엔트로피의 샘플당 감소량이며, 따라서 양의 보상은 더 확신 있는 올바른 예측에 직접 대응한다. fastMRI+ 무릎 벤치마크에서 HieraSample은 4배에서 10배 가속에서 ACL 진단에 대해 완전 샘플링 오라클과 일치하며, ACL 중증도에서 최근 Cartesian 기준선보다 최대 20.4 AUC 포인트만큼 개선한다.
척추 병리의 정확한 진단은 방사선학적 해석에 크게 의존하지만, 자동화 시스템은 다양하고 고품질인 벤치마크 부족으로 인해 제약을 받고 있다. 본 연구에서는 고급 심층 학습 연구를 촉진하기 위해 큐레이션한, 250명의 환자로부터 16,813장의 자기공명영상(MRI) 이미지로 구성된 데이터셋 PhenSPINE을 제시한다. 우리는 최신 합성곱 백본과 Positional Encoding 메커니즘을 통합하여 추간판의 해부학적 문맥을 명시적으로 모델링하는 견고한 진단 벤치마크를 제안한다. 4가지 표준 MRI 시퀀스에 걸쳐 평가한 실험 결과, Sagittal T2-weighted 시퀀스가 가장 견고한 진단적 가치를 제공하며 Macro F1-score 50.31%의 우수한 성능을 달성함을 보여준다. 다중 시퀀스 융합 전략은 이 단일 시퀀스 기준선보다 열등한 성능을 보였으며, 이는 데이터셋의 시퀀스 간 이미지가 주변 해부학적 영역의 노이즈 간섭으로 인해 상당히 손상되었기 때문이다. 본 연구는 견고한 기준선을 수립하고 척추 분석을 위한 시퀀스 선택에 대한 중요한 통찰을 제공한다.
중등도에서 중증 외상성뇌손상(msTBI)에서 T1-강조 MRI를 이용한 병변 세그먼테이션은 크기, 형태, 위치 측면에서 병변 특성의 극심한 이질성으로 인해 중요한 임상적 과제를 제시한다. 이를 해결하기 위해, 견고하고 정확한 세그먼테이션 알고리즘의 개발을 촉진하기 위해 AIMS-TBI 2025 챌린지가 개최되었다. 본 논문에서는 심층 학습 기반 솔루션을 제시한다. 우리의 방법론은 nnU-Net 프레임워크에 대뇌 실질에 한정된 적응형 강도 정규화 전략을 적용하여, 피험자 간 변이성을 효과적으로 줄이고 비뇌 구조로 인한 아티팩트를 완화한다. 홀드아웃 테스트 세트에 대한 최종 평가에서, 우리 방법은 공식 리더보드에서 매우 경쟁력 있는 성능을 보였으며, 전체 Dice 계수 0.6305를 달성했다. 모델은 병변 세그먼테이션에서 Dice 점수 0.4805, 비병변 조직에서 0.9324를 기록했다. 병변 Dice는 고도로 이질적인 병변 탐지의 어려움을 반영하는 반면, 높은 비병변 Dice는 모델이 비병변 복셀을 정확하게 식별하는 강력한 능력을 나타내며, 병변과 비병변 영역을 구분하는 데 있어 양호한 특이도(specificity)를 보여준다. 이러한 결과는 nnU-Net 파이프라인 내에 해부학적으로 제약된 정규화를 통합하는 것이 msTBI 병변 세그먼테이션의 복잡성을 다루는 강력하고 효과적인 전략임을 보여준다.
목적: 라디오믹스 텍스처 특징은 일반적으로 복셀 인덱스 이웃에서 계산되며, 암묵적으로 등방성(isotropic) 공간 관계를 가정한다. 이방성(anisotropic) 영상에서는 이것이 복셀 기하와 보간에 의해 유발된 신호 변화를 혼동하게 할 수 있다. 우리는 리샘플링 없이 텍스처 계산에 물리적 기하를 통합하는 복셀 간격 인식(voxel-spacing-aware) 라디오믹스 프레임워크를 개발했다. 방법: 우리는 원본 영상 신호를 보존하면서 복셀 간격을 고려하도록 PyRadiomics를 수정했다. 네 가지 구성을 비교했다: 원본 비리샘플링 추출(NR), 등방성 리샘플링(RS), 복셀 간격 인식 추출(VS), 그리고 영상 배열을 변경하지 않고 간격 메타데이터만 덮어쓴 가짜 등방성 전처리(FK). 실험에는 196개의 라디오믹스 서술자(descriptor)를 사용하여 LIDC-IDRI 폐 결절 685건과 I-SPY2 유방 MRI 209건이 포함되었다. 강건성(robustness)은 ICC, 피험자 내 변동성, Friedman 검정, 특징 선택, 머신러닝, 다층 퍼셉트론, 외부 검증으로 평가했다. 주요 결과: VS는 NR과 거의 원본 수준의 일치를 보였다: CT에서 중앙값 ICC(A,1)은 0.9976, MRI에서는 0.9984였다. RS는 더 낮은 일치와 더 큰 편차를 나타냈고, FK는 중간 수준의 거동을 보여 간격 메타데이터만으로도 라디오믹스 특징에 영향을 줄 수 있음을 확인했다. 그래디언트 기반 및 이웃 민감 서술자가 전처리에 가장 크게 영향을 받았다. VS는 외부 CT 검증에서 NR에 준하는 예측 성능을 유지했으나, MRI는 전처리 전략과 분류기에 걸쳐 더 큰 변동성을 보였다. 의의: 복셀 간격 인식 추출은 원본 영상 신호를 보존하면서 기하 모델링과 보간 유발 신호 수정을 분리하며, 이방성 CT 및 MRI의 라디오믹스 분석을 위한 등방성 리샘플링의 일관된 대안을 제공한다.
MRI 초해상도(super-resolution)를 해상도-SNR 트레이드오프를 명시적으로 모델링하는 물리 인식 복원 문제로 재정의하고, 2D Gaussian Splatting을 MRI에 적용하여 동적 해상도 입력을 좌표 기반 렌더링으로 처리한다. 해부학적 구조 사전(prior), 물리 기반 신호 모델링(양성자 밀도 ρ 및 이완율 R₂ 예측), 메타 학습 기반 도메인 적응을 결합하여 동적 해상도 데이터셋과 FastMRI 벤치마크에서 최고 수준의 성능을 달성했다.
심층 학습은 의료 영상 분석, 특히 MRI 스캔을 이용한 질병 검출에서 상당한 잠재력을 보여 왔다. 뇌 구조의 복잡성과 수동 해석에 대한 의존으로 인해 뇌종양의 정확하고 조기 진단은 여전히 어려운 과제이다. 본 연구는 CNN과 ResNet 아키텍처를 사용하여 MRI 영상으로부터 뇌종양을 검출하는 자동화된 심층 학습 기반 접근법을 제시한다. 사전학습된 ResNet18과 ResNet50 두 아키텍처에 전이학습을 적용하여 MRI 스캔을 종양 및 비종양 범주로 분류한다. 3,929장의 뇌 MRI 영상 데이터셋에 대해 실험을 수행하여 모델 깊이와 미세조정 전략의 영향을 평가하였다. 결과는 ResNet18이 ResNet50의 96%에 비해 97%의 더 높은 정확도를 달성하여, 제한된 의료 데이터에서 더 나은 일반화 성능을 보임을 나타낸다. 제안된 프레임워크는 빠르고 정확하며 비용 효율적인 뇌종양 검출을 가능하게 하여, 조기 진단과 임상 의사결정을 지원한다.
임상 전립선 다중 파라미터 MRI는 고품질 확산 강조 영상(DWI)에 크게 의존하지만, DWI 판독은 종종 직장 내 공기로 인해 발생하는 기하학적 왜곡으로 인해 자주 방해받습니다. PI-QUAL 점수 시스템을 통한 품질 평가는 새로운 임상 표준이지만, 주관적이고 시간이 오래 걸리며, 저품질 사례가 다양하고 상대적으로 희소한 클래스 불균형 문제가 있습니다. PRIME 임상 시험을 예로 들면, PI-QUAL 점수가 4 미만인 이미지는 6%에 불과하며, DWI 문제의 87%는 왜곡 때문입니다. 다른 많은 임상 품질 문제들은 데이터에서 충분히 표현되지 않습니다. 이러한 흔한 주석 달린 임상 데이터의 이중 희소성 문제를 해결하기 위해, 우리는 자동화된 영상 품질 평가(IQA)를 위한 퓨샷 이중 파라미터 프로토타입 네트워크를 제안합니다. 우리의 프레임워크는 T2 가중치 및 DWI 특징을 융합하기 위해 이중 분기 3D ResNet을 활용하여, 왜곡과 실제 형태학을 구별하기 위한 해부학적 맥락을 제공합니다. 실제 세계의 이질성을 처리하기 위해, 우리는 특징별 선형 변조(FiLM)와 그래디언트 반전 층(GRL)을 도입하여, 획득 관련 편향을 억제하면서 변화하는 b값에 조건화된 특징 분포를 정렬합니다. 우리는 비교적 객관적이고 쉽게 얻을 수 있는 왜곡 레이블로만 메타 학습된 모델이 단 5개의 대표 샘플만 사용하여 PI-QUAL과 같은 복잡한 다중 인자 임상 품질 점수를 예측하도록 효과적으로 적응할 수 있음을 보여줍니다. 두 데이터셋에 대한 실험 결과는 우리의 방법이 이 도전적인 IQA 작업에서 퓨샷 학습 기준선을 상당히 능가함을 보여주며, 임상 워크플로우에서 전립선 MRI 품질 관리를 표준화하기 위한 실현 가능하고 데이터 효율적인 솔루션을 제공합니다.
Brain tumour MRI typically requires both pre- and post-contrast imaging, but gadolinium is not always desirable (frequent follow-up, renal impairment, allergy, paediatric patients). We developed and validated a deep learning model to predict tumour contrast enhancement from non-contrast MRI alone. We assembled 11,089 brain MRI studies (2006-2024) from 10 datasets across four countries and three continents, spanning adult and paediatric populations with glioma, meningioma, metastases, and post-resection appearances. Three architectures were trained to detect and segment enhancing tumour from T1w, T2w and FLAIR alone. Performance was assessed in a 1,109-study held-out test set (primary endpoint: patient-level enhancement detection; secondary: voxel-level Dice). Eleven expert radiologists attempted the same task on a 564-case subset (100 cases each), blinded to history, prior imaging, and referral. The best model, nnU-Net, achieved 83.0% balanced accuracy (95% CI 79.1-87.2; sensitivity 91.5%, specificity 74.4%) for detection, with R2 = 0.859 for enhancement volume. Of enhancing cases, 76.8% reached Dice >= 0.3, 67.5% >= 0.5, and 50.2% >= 0.7. Under blinded conditions, radiologists' majority vote was lower (71.7% balanced accuracy; sensitivity 77.6%, specificity 65.8%). The proportion reaching Dice >= 0.3 varied by pathology (meningioma 93%, presurgical glioma 76%, metastases 74%, postoperative glioma 74%) and was lowest for paediatric cases (45%). Deep learning can identify contrast-enhancing brain tumours from non-contrast MRI. These models show promise as a triage or decision-support adjunct, such as in flagging studies likely to enhance so that contrast can be added to a non-contrast protocol, and may reduce gadolinium dependence in neuro-oncology imaging. Future work should optimise these models with radiologists.
Standardized assessment of uterine MRI remains challenging due to anatomical variability, observer dependence, and the lack of workflow-integrated automated analysis tools. This work presents Female-RHINO: (R)eproductive (H)ealth (I)maging A(N)alysis T(O)ol, a real-time AI-assisted framework for automated quantitative uterine MRI analysis and structured reporting during image acquisition. We present an end-to-end system that integrates inline communication with the MRI scanner and deep learning-based analysis to derive quantitative uterine biomarkers from sagittal T2-weighted pelvic MRI. The framework combines segmentation and anatomical landmark detection models trained and evaluated on more than 500 multi-center datasets spanning diverse protocols, vendors, and patient populations. It performs volumetry, detects and quantifies common incidental findings such as fibroids and Nabothian cysts, and extracts six anatomical landmarks for biometric assessment. Results are compiled into a structured clinician-oriented report with integrated visualizations, without manual interaction. Evaluation on independent retrospective and prospective cohorts demonstrated robust performance across varying acquisition settings. Mean Dice similarity coefficients were 0.82 for the uterus and 0.80 for fibroids, with lower but consistent agreement for Nabothian cysts. Landmark detection achieved a mean radial error of 3.7 mm. End-to-end processing was completed in under 70 seconds, enabling availability of results during the ongoing scan. Prospective deployment yielded immediate, standardized, and reproducible analyses supported by inter-observer agreement. The proposed system enables real-time scanner-integrated AI for automated uterine MRI analysis and reporting, with potential to improve standardization, efficiency, and clinical workflow in pelvic imaging.
피하층 영역의 정확한 분할(segmentation)은 신경외과 수술 계획 및 기능 연구에 필수적이다. 대부분의 자동화 방법은 템플릿 공간 공동등록(coregistration)에 의존하며, 이는 특히 작은 구조에서 환자 특이적 정확도를 저해할 수 있다. 네이티브 공간 접근법이 측정 가능한 이점을 제공하는지 평가할 필요가 있음을 확인했으며, 이를 움직임 장애(movement disorders) 맥락에서 평가했다. 편마비병(Parkinson's Disease)에서 흔한 수술 표적인 시상하핵(Subthalamic Nucleus, STN)과 인접한 적색핵(Red Nucleus, RN) 및 흑질(Substantia Nigra, SN)에 대해 UNet 기반 분할 파이프라인 두 가지를 개발했다. 5개의 공개 데이터셋(dataset)에서 7T 및 3T MRI 데이터를 수집했다. 파이프라인은 수동 레이블과 대조하여 네이티브 공간에서 평가되었다. 템플릿 해상도의 영향을 추가로 조사했다. 모델이 더 높은 자기장 강도에서 표적 경계를 더 잘 학습할 수 있다는 가설에 기반하여, 7T로 학습된 모델의 3T 임상 영상으로의 전이 가능성을 검증했으며, 분리 표현 학습(disentangled representation learning) 방법으로 생성된 합성 3T 학습 데이터가 이 도메인 격차를 메우는 데 도움이 될 수 있는지도 검증했다. 홀드아웃 7T 데이터에서 네이티브 파이프라인은 템플릿 파이프라인을 일관되게 능가했다. STN의 경우, 네이티브 공간 Dice는 0.775 ± 0.055(1 mm 템플릿 대비 0.713 ± 0.051), HD95는 각각 0.79 ± 0.24 mm 대 1.17 ± 1.10 mm였다. RN과 SN에서도 유사한 이점이 관찰되었다. 템플릿 해상도를 높여도 정확도는 개선되지 않았다. 3T 영상에 적용하면 모든 모델에서 상당한 성능 저하가 나타났다. 합성 3T 데이터를 추가하면 7T 성능을 저하시키지 않으면서도 다소의 개선만 이루어졌다. 네이티브 공간 분할은 PD 수술 계획과 같이 환자 특이적 해부학적 충실도가 필요한 응용에 더 적합하다. 7T에서 3T로의 도메인 격차를 메우는 것은 여전히 열린 과제이며, 피하층 구조에 맞춘 도메인 적응(domain adaptation)에 대한 향후 연구를 촉진한다.
MRI에서 환자 맞춤형 골반 장기 기하학의 3D 재구성은 골반 바닥(pelvic floor) 모델링 및 후속 환자 맞춤형 분석에 중요합니다. 그러나 이전 연구들은 주로 이미지 분할(image segmentation)이나 3D 모델의 후속 사용에 초점을 맞춰왔기 때문에, 고충실도 고품질 기하학의 재구성은 여전히 노동 집약적이고 표준화가 부족합니다. 본 연구는 방광, 자궁, 직장의 재구성을 위해 심층 학습(deep learning) 예측과 반복적 최적화(iterative optimization)를 통합하는 하이브리드 변형 가능한 형상 모델링 프레임워크를 소개합니다. 이 프레임워크는 세 가지 핵심 구성 요소로 구성됩니다: 골반 장기의 위상(topological) 일관성을 보존하는 기하학 인식 다중 레벨 심층 학습 아키텍처; 전역 형상 포착과 국소 표면 정제(refinement)의 균형을 맞추는 2단계 상각(amortized) 최적화 학습 전략; 그리고 전체적 시너지 메커니즘입니다. 이 메커니즘에서는 학습(training) 단계 동안 반복적 최적화가 심층 학습에 감독(supervision)을 제공하고, 추론(inference) 단계 동안에는 심층 학습이 전체 장기 형태(morphology)를 신속하게 예측한 후 반복적 최적화가 국소 표면과 메쉬(mesh) 품질을 정제합니다. 이 프레임워크는 현재 주류 심층 학습 기반 장기 재구성 모델들보다 기하학적 충실도에서 뚜렷한 우위를 입증했습니다. 개별 해부학적 구조에 있어 방광, 직장, 자궁에 대해 재구성된 3D 기하학은 유의미하게 낮은 Chamfer Distance 값과 높은 Dice Similarity Coefficient 점수를 달성했습니다. 또한, 높은 계산 효율성을 유지하면서 제안된 아키텍처는 우수한 전체 체적 메쉬(volumetric mesh) 품질을 보여주었습니다. 환자 수준에서 볼 때, 이 프레임워크는 전통적인 기하학적 후처리(post-processing) 알고리즘과 비교하여 minSICN과 minSIGE 모두에 대해 최악 10개 요소의 평균값이 더 높았습니다.
자기공명영상 신호 지방 분율(MRI-SFF)은 조직 내 지방을 정량화하며 대사성 및 근골격계 질환에 대한 확립된 바이오마커 역할을 합니다. 그러나 획득을 위해서는 일상적으로 사용할 수 없는 특수 MRI 시퀀스가 필요합니다. 우리는 널리 사용 가능한 T2 강조(T2w) MRI로부터 영상 간 변환(I2I)을 통해 SFF를 추정할 수 있는지 조사합니다. 또한 독일 국가 코호트(NAKO)의 230,048개 쌍을 이루는 2D 영상(학습 183,517개, 검증 23,621개, 테스트 22,910개) 데이터셋을 사용하여 경량의 4단계 U-Net과 최첨단 노이즈 제거 확률 모델(DDPM)을 비교합니다. 두 모델 모두 기준선(baseline)보다 명확히 우수한 성능을 보여(피어슨 상관계수 r = 0.769, 평균 절대 오차 MAE = 0.070 +/- 0.054), 모델이 사소하지 않은 모달 간 매핑을 학습했음을 확인했습니다. 흥미롭게도 경량 U-Net은 상관계수(r = 0.975 vs. 0.962)와 오차(MAE = 0.014 +/- 0.015 vs. 0.019 +/- 0.019) 모두에서 DDPM을 능가했으며, 추론 시간을 208배 단축했습니다(50단계 노이즈 제거 확률 암묵적 모델(DDIM) 스텝 사용 시 영상당 25.2ms vs. 5,227.2ms). 계산 비용이 크게 절감된 상태에서의 우수한 임상 성능은 실시간 임상 사용을 가능하게 합니다.