arXiv:2002.12351

Deep Learning for Biomedical Image Reconstruction: A Survey

Hanene Ben Yedder, Ben Cardoen, Ghassan Hamarneh

제출 2020-02-26

원문 초록

Medical imaging is an invaluable resource in medicine as it enables to peer inside the human body and provides scientists and physicians with a wealth of information indispensable for understanding, modelling, diagnosis, and treatment of diseases. Reconstruction algorithms entail transforming signals collected by acquisition hardware into interpretable images. Reconstruction is a challenging task given the ill-posed of the problem and the absence of exact analytic inverse transforms in practical cases. While the last decades witnessed impressive advancements in terms of new modalities, improved temporal and spatial resolution, reduced cost, and wider applicability, several improvements can still be envisioned such as reducing acquisition and reconstruction time to reduce patient's exposure to radiation and discomfort while increasing clinics throughput and reconstruction accuracy. Furthermore, the deployment of biomedical imaging in handheld devices with small power requires a fine balance between accuracy and latency.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.12186v2cs.CV공통 태그 Image Reconstruction, Survey

영상 부호화 표준에서의 컴포넌트 간 인루프 필터 개관

Overview of Cross-Component In-loop Filters in Video Coding Standards

인루프(in-loop) 필터는 뛰어난 노이즈 감소 능력으로 인해 영상 부호화 표준 개발 과정에서 폭넓게 연구되어 왔다. 영상 부호화 초기 단계에서는 디블로킹 필터(Deblocking Filter), 샘플 적응 오프셋(Sample Adaptive Offset), 적응 루프 필터(Adaptive Loop Filter)와 같은 인루프 필터가 각 컴포넌트별로 개별적으로 수행되었다. 최근에는 휘도(luma)와 색차(chroma) 채널 간 상관관계를 활용하여 색차 충실도를 개선하기 위해 컴포넌트 간(cross-component) 필터가 연구되고 있다. 본 논문은 최신 영상 부호화 표준에서 사용되는 컴포넌트 간 필터를 정리한다. 구체적으로 컴포넌트 간 적응 루프 필터(Cross-Component Adaptive Loop Filter)와 컴포넌트 간 샘플 적응 오프셋(Cross-Component Sample Adaptive Offset)을 다룬다. 컴포넌트 간 필터는 서로 다른 컴포넌트 간의 상관관계에 기반하여 압축 아티팩트를 줄이고 더 정확한 픽셀 복원 값을 제공하는 것을 목표로 한다. 본 논문에서는 현행 영상 부호화 표준에서 컴포넌트 간 필터의 기원, 발전 과정, 현재 상태를 소개한다. 마지막으로 컴포넌트 간 필터의 향후 발전 방향에 대해 논의한다.

arXiv:2607.24727v1cs.CV공통 태그 Image Reconstruction, Survey

소아 골격 트리아지를 위한 인공지능 기반 적외선 영상: 서술적 리뷰와 향후 전망

Infrared Imaging Empowered by Artificial Intelligence for Pediatric Skeletal Triage: A Narrative Review and Future Perspectives

배경. 소아 근골격계 외상은 소아 응급실(ED) 방문의 최대 18%를 차지하지만, 진단은 여전히 전리 방사선 촬영에 의존한다. 생애 초기의 누적 저선량 방사선은 평생 백혈병 및 뇌 악성종양 위험을 높여, 무전리 트리아지 대안의 필요성을 촉발한다. 목적. 비전리 데이터로부터 임상적으로 해석 가능한 합성 방사선 사진 재구성을 생성하기 위해 광대역 적외선(IR) 영상과 딥러닝 교차 모달 변환을 결합한 하이브리드 프레임워크에 대한 근거를 종합한다. 접근. 650 nm부터 1 mm까지 5개의 IR 스펙트럼 대역(NIR-I, NIR-II, SWIR, MIR/LWIR, THz)과 이중 기하학(transmission/reflection) 촬영이 파장별 조직 깊이 및 생화학적 민감도를 어떻게 활용하는지를 검토한다. IR 데이터를 방사선 사진 등가 재구성으로 정렬·융합하는 데 사용되는 이미지-투-이미지 변환 네트워크(Pix2Pix, CycleGAN, Swin-Unet) 및 특징 매칭 알고리즘(SuperPoint, SuperGlue, ALIKED, LightGlue)을 요약한다. 함의. 소아 해부학적 특성(더 작은 단면, 더 얇은 피질골)은 IR 투과에 유리하여, 소형·휴대용·무전리 트리아지 하드웨어를 가능하게 한다. 타당성은 fNIRS 및 경두개 광생물조절(transcranial photobiomodulation) 근거에 기반한다: 근적외선이 피부, 두개골, 피질을 통과하여 혈역학적 모니터링에 충분한 신호를 제공한다—소아 전완부 또는 원위부 다리를 통과하는 경로보다 더 길고 감쇠가 큰 경로이다. 주요 장벽: IR/X-ray 페어 데이터셋 구축, 의료기기로서의 AI 규제 경로, 체형 및 피부 색소침착에 걸친 일반화, 촬영 프로토콜 표준화. 결론. 통합 다중 스펙트럼 IR+AI 영상은 소아 골격 방사선 촬영에 대한 유망한 무전리 보완 수단이다. 진전을 위해서는 다기관 페어 데이터셋, 외부 검증된 모델, IEC 60825-1에 따른 IR 광원 안전성 인증이 필요하다.

arXiv:2607.13204v1eess.IV공통 태그 Image Reconstruction, Survey

의료 영상 획득 및 재구성을 위한 효율적 컴퓨팅

Efficient Computing for Medical Image Acquisition and Reconstruction

CT, MRI, PET, SPECT와 같은 의료 영상 시스템은 영상을 직접 획득하지 않는다. 대신 해부학적 또는 생리학적 정보를 인코딩하는 물리적 신호를 측정하며, 영상 재구성(image reconstruction)은 역문제(inverse problem)를 풀어 기저 영상을 복원한다. 이러한 영상 방식(modality)들은 서로 다른 영상 물리학에 의해 지배되지만, 의료 물리학, 선형대수, 확률, 수치 최적화(numerical optimization), 효율적 컴퓨팅을 자연스럽게 연결하는 공통의 계산 프레임워크를 공유한다. 의료 영상 시스템이 점점 더 크고 고차원적인 데이터셋(dataset)을 획득함에 따라, 영상 재구성은 현대 의료 영상에서 주요 계산 병목 중 하나가 되었다. 해석적 재구성(analytical reconstruction), 반복 최적화(iterative optimization), 통계적 모델 기반 재구성(statistical model-based reconstruction)을 포함한 고급 재구성 방법들은 방사선량 또는 스캔 시간을 줄이면서 영상 품질을 상당히 향상시키지만, 계산 비용이 크게 증가한다. 따라서 효율적 컴퓨팅은 임상적으로 실용적인 재구성 시간을 달성하는 데 필수적이 되었다. 본 장은 CT, MRI, PET, SPECT 전반에 걸친 의료 영상 획득 및 재구성에 대한 통합된 계산 관점을 제시한다. 먼저 각 modality에 대한 영상 물리학과 데이터 획득 과정을 검토하고, 영상 재구성을 위한 일반화된 수학적 프레임워크를 도출한다. 이 프레임워크를 바탕으로, 본 장은 해석적, 반복적, 통계적 재구성 방법과 그 계산적 특성을 함께 논의한다. 마지막으로 최적화(optimization) 알고리즘, 물리학 인식 순방향 연산자(physics-aware forward operator), 메모리 효율적 구현, 병렬 컴퓨팅 전략 등 효율적 컴퓨팅 고려사항을 검토한다. 이러한 주제들은 영상 물리학, 수학적 모델링, 효율적 컴퓨팅의 통합이 어떻게 정확하고 확장 가능한(scalable) 의료 영상 재구성을 가능하게 하는지를 보여준다.

arXiv:2607.14821v2cs.CV공통 태그 Survey

모달 경계의 흐림: 단일 모달에서 다중 모달 인물 재식별(ReID)에 대한 통합 서벡

Blurring Modal Boundaries: A Unified Survey from Single- to Multi-Modal Person Re-ldentification

인물 재식별(ReID)은 지능형 감시 시스템의 핵심 구성 요소로, 분리된 카메라 네트워크 간 신원을 매칭하는 것을 목표로 한다. 전통적인 방법은 주로 단일 모달 RGB 영상에 의존하지만, 낮은 조도와 가림(occlusion)과 같은 환경적 도전 과제에 종종 제약을 받는다. 이러한 한계를 극복하기 위해 해당 분야는 교차 모달(cross-modal) 및 다중 모달(multi-modal) 패러다임으로 빠르게 발전하고 있다. 본 서벡은 이러한 전환에 대한 포괄적인 개요를 제시하며, 직접 가시성을 넘어 지각을 확장하는 신흥 비시선(NLOS, Non-Line-of-Sight) ReID를 포함하여 가시-적외선(VI-ReID), 텍스트-이미지(TI-ReID), 스케치 기반(Sketch-ReID) 등 주요 교차 모달 과제를 체계적으로 검토한다. 또한 3분광(tri-spectral) 및 다중 모달 융합 ReID를 살펴보고, 다양한 센서의 상보적 정보가 어떻게 견고성(robustness)을 향상시키는지 논의한다. 데이터셋, 과제, 방법론을 요약하는 것을 넘어, 모달리티 불변(modality-invariant) 특징을 효과적으로 포착하도록 설계된 가시-적외선 ReID용 트랜스포머 기반 기준선 프레임워크를 제안한다. 마지막으로, 현재 연구 환경을 바탕으로 향후 연구를 위한 여러 유망한 방향을 제시한다.

arXiv:2609.24937v3cs.CV공통 태그 Image Reconstruction

흉부 방사선 사진 골 억제를 위한 확장 가능한 감독으로서 해부학 분해 흉부 CT 투영

Anatomy-Decomposed Chest Computed Tomography (CT) Projections as Scalable Supervision for Bone Suppression in Chest Radiographs

뼈 중첩은 흉부 X선 영상에서 이상 소견을 가릴 수 있으며, 짝지어진 학습 데이터의 부족은 지도 학습 기반 뼈 억제를 제한한다. 본 연구는 이러한 문제를 흉부 컴퓨터단층촬영(CT)을 성분 억제를 위한 짝지어진 지도 신호로 변환하는 디지털 재구성 방사선영상(DRR) 프레임워크로 해결한다. 새로운 뼈 분할 알고리즘을 통해 CT를 뼈, 폐를 제외한 연조직, 폐 성분으로 분해하고 각각을 별도로 투영한다. 이들의 가중 결합은 전체 DRR과 정확히 합산되는 픽셀 정합 성분 영상을 갖춘 합성 방사선영상을 만들어 낸다. 이러한 데이터로 학습한 모델은 대상 성분을 예측하고 나머지를 차감으로 복원하는 방식으로 뼈 또는 폐 성분을 억제하며, 실제 짝지어진 학습 데이터 없이도 실제 방사선영상으로 전이된다. 확장으로서, 실제 방사선영상에 대한 모델의 출력은 짝지어지지 않은 성분별 DRR 변환을 위한 목표 도메인을 제공하여, 해부학적 세부 구조를 유지하면서 외형 격차를 줄인다. 여러 공개 데이터셋에서 수행한 하위 검출 실험은 뼈 억제의 효용을 보여 주며, 그 이득은 뼈 중첩이 큰 이상 소견에 집중된다. 동일한 CT에 적용한 오픈소스 DRR 엔진과 비교할 때, 수정하지 않은 본 DRR은 현실감과 레이블 관련 해부 구조의 보존에서 대등한 수준을 달성하였으며, 변환된 DRR은 평가한 방법 중 가장 우수한 Fréchet inception distance(FID), 폐야 선명도, 원본 CT 해부 구조와의 일치도를 달성하였다. 모델 및 추론 코드: https://huggingface.co/qureaiorg/bone-suppression ; 변환된 투영 영상: https://huggingface.co/datasets/qureaiorg/ct2xr-projections.

arXiv:2607.22305v2cs.AI공통 태그 Survey

영향력 있는 다원주의적 정렬 연구를 위한 로드맵

A Roadmap to Impactful Pluralistic Alignment Research

책임 있는 AI에 관한 많은 연구는 수십억 명이 사용하는 AI 시스템의 행동을 바꾸는 것을 목표로 한다. 다양한 인간의 가치와 관점을 대표하고 이에 기여하는 AI 시스템을 구축하는 것을 목표로 하는 다원적 가치 정렬은 이러한 활발한 연구 의제 중 하나로 부상했다. 그러나 주요 프론티어 연구소와 오픈 웨이트 개발자를 감사한 결과, 다원적 정렬이 이들 모델의 학습이나 평가 방식에 영향을 미쳤다는 공개적 증거를 찾을 수 없었다. 다원적 정렬은 주요 목표를 달성하려면 실제 도입이 필요하므로, 우리는 세 가지 장벽을 규명하고 각각을 해결하기 위한 연구 로드맵을 제시한다. 1. 지금까지 다원적 정렬의 정당화는 대부분 규범적이거나 이론적이다. 다원적 AI가 사용자와 사회에 주는 이점과 단점을 측정하는 연구가 필요하다. 2. 다원적 정렬 연구 커뮤니티는 다원적 행동이 언제 정당화되는지, 그리고 실제로 어떤 모습이어야 하는지에 대해 합의하지 못했다. 개발자가 이를 구현할 수 있을 만큼 구체적으로 이 행동을 명세하는 연구가 필요하다. 3. 기존의 다원주의 평가와 방법은 배포할 준비가 되어 있지 않다. 다른 모델 특성에 미치는 영향을 보고하고 프로덕션 시스템의 요구 사항을 충족하는 평가와 방법이 필요하다. 이러한 장벽은 다원적 정렬에만 해당하지 않으므로, 우리의 로드맵은 유사한 변화 이론을 가진 책임 있는 AI 연구의 다른 분야에도 적용된다. 사람들이 더 많은 의사결정을 AI 시스템에 맡기고 AI 에이전트가 사람을 대신해 행동하는 만큼, 우리는 이 로드맵이 해당 연구가 그러한 결정을 내리는 배포된 모델에 도달하도록 돕기를 바란다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.