arXiv:2610.00384v1 eess.IV

RIQE: 컴퓨터 단층촬영(CT)을 위한 NIQE 스타일 참조 모델

RIQE: a NIQE-style reference model for Computed Tomography

Fabio Mattiussi

제출 2026-09-30

저자 비고

arXiv Comments

17 pages, 6 figures, 6 tables. Code and model: https://github.com/Metallogik/RIQE, archived at doi:10.5281/zenodo.23055559

한국어 초록

Natural Image Quality Evaluator(NIQE)는 원본(pristine) 이미지에 적합화된 모델과의 통계적 거리를 통해 이미지 점수를 매기며, 배포된 모델은 사진을 기반으로 적합화되어 있습니다. 본 연구에서는 공개 LDCT-and-Projection-data 컬렉션의 환자 158명으로부터 얻은 3,792개의 전선량(full-dose) 슬라이스에 적합화된 NIQE 스타일 모델인 Radiology Image Quality Evaluator(RIQE)를 명시된 강도 매핑, 모든 슬라이스의 매니페스트, 적합화를 재현하는 스크립트와 함께 공개합니다. 40명의 미참여(held-out) 환자를 대상으로 평가했을 때, RIQE는 투영 영역 노이즈 삽입으로 시뮬레이션된 저선량 재구성 영상을 흉부 쌍 240개 중 240개, 복부 쌍 240개 중 230개에서 동일한 슬라이스의 전선량 재구성 영상보다 더 나쁘게 평가했으며, 20% 더 많은 노이즈가 있는 이미지를 원본보다 97.5~100%의 경우에서 더 나쁘게 평가했습니다. 그러나 필터링된 이미지들 간의 선호도는 병변 신호를 따르지 않았습니다. 노이즈가 있는 복부 슬라이스에 4mm, +10 HU 병변을 삽입했을 때, RIQE는 최대 32 HU 잔차까지 모든 이미지에서 필터링되지 않은 이미지보다 양방향 필터링(bilateral filtering)을 선호했으나, 이때 병변의 정합 필터 신호는 29%만 남고 검출도 지수는 0.51에서 0.33으로 떨어집니다. 반면 동일한 32 HU 잔차에서 신호의 70%와 0.48의 검출도 지수를 유지하는 가우시안 평활화(Gaussian smoothing)는 전혀 선호하지 않았습니다. NIQE용으로 공개된 파라미터를 사용하여 사진에 적합화했을 때, 동일한 코드는 시뮬레이션된 모든 저선량 복부 이미지를 전선량 이미지보다 더 우수하다고 평가했습니다. RIQE는 열화된 이미지를 원본과 비교하여 순위를 매기는 데 적합하지만, 테스트된 조건 하에서 디노이저를 선택, 비교 또는 튜닝하기 위한 유일한 기준으로 사용되어서는 안 됩니다.

원문 초록

The Natural Image Quality Evaluator (NIQE) scores an image by its statistical distance from a model fitted on pristine images, and its distributed model is fitted on photographs. We release the Radiology Image Quality Evaluator (RIQE), a NIQE-style model fitted on 3,792 full-dose slices from 158 patients of the public LDCT-and-Projection-data collection, with a declared intensity mapping, a manifest of every slice and a script that reproduces the fit. On 40 held-out patients, RIQE ranks reduced-dose reconstructions, simulated by projection-domain noise insertion, worse than the full-dose reconstruction of the same slice in 240 of 240 chest and 230 of 240 abdominal pairs, and ranks images with 20% more noise worse than their source in 97.5-100% of cases. Its preferences among filtered images, however, do not follow lesion signal. With a 4 mm, +10 HU lesion inserted in noisy abdominal slices, RIQE prefers bilateral filtering to the unfiltered image in every image up to a 32 HU residual, at which 29% of the lesion's matched-filter signal remains and its detectability index falls from 0.51 to 0.33; it never prefers Gaussian smoothing, which at the same 32 HU residual leaves 70% of the signal and a detectability index of 0.48. Fitted on photographs with the parameters published for NIQE, the same code ranks every simulated reduced-dose abdominal image better than its full-dose counterpart. RIQE is suited to ranking a degraded image against its source; under the conditions tested it should not be the sole criterion for selecting, comparing or tuning denoisers.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2610.00384v1

함께 살펴볼 논문

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

arXiv:2609.37605v2cs.CV공통 태그 Medical Image Analysis, computed tomography ct

TomoTransformer: CT 재구성을 위한 파운데이션 모델을 향하여

TomoTransformer: Towards a Foundation Model for CT Reconstruction

지도 심층 학습(supervised deep learning)은 희소 뷰 단층 촬영 재구성(sparse-view tomographic reconstruction) 분야를 발전시켰습니다. 그러나 일반적으로 여과 역투영(FBP) 이미지나 사이노그램(sinogram)을 깨끗한 재구성 이미지로 매핑하는 기존 모델들은 분포 변화(distribution shift)에 취약합니다. 투영 횟수 및 각도, 검출기 해상도 또는 데이터 분포가 변경될 때마다 재학습이 필요하기 때문에, 실제 응용 분야에서의 배포는 여전히 제한적입니다. 이를 해결하기 위해 본 논문에서는 각 국소(local) 여과 투영을 개별 토큰으로 취급하고 셀프 어텐션(self-attention)을 통해 누락된 뷰를 예측하는 트랜스포머 기반 아키텍처인 TomoTransformer를 소개합니다. 결정적으로, TomoTransformer는 공간적 위치 전반에 걸쳐 투영을 분리하는 역투영 공간(back-projection space)에서 작동하므로, 뷰 보간이 기하학적으로 적절한 조건(well-posed)을 갖추고 검출기 크기에 불변하도록 만듭니다. 이러한 설계를 통해 재학습 없이도 임의의 각도 위치 및 검출기 크기에서 임의의 개수의 입력 투영을 처리하고, 임의의 개수의 목표 각도를 쿼리할 수 있는 단일 파운데이션 모델이 구현됩니다. 다양한 의료 CT 해부학적 구조와 자연 이미지를 포괄하는 대규모 데이터셋으로 학습된 TomoTransformer는 여러 해부학적 구조, 재료 및 해상도 전반에 걸쳐 효과적으로 일반화됩니다. 여러 벤치마크 희소 뷰 데이터셋에 대한 광범위한 평가 결과에 따르면, TomoTransformer는 ViewTrans와 같은 동시대의 다목적 모델을 크게 능가하며, 입력 및 목표 투영 수에 완전히 구애받지 않으면서도 강력한 특정 프로토콜 전용 베이스라인과 대등하거나 이를 능가하는 성능을 보입니다. 나아가 이 모델은 X선 방사광 가속기에서 수집된 실제 실험 나노스케일 뇌 데이터에서 강력한 제로샷(zero-shot) 일반화를 입증하여 실제 응용 분야에서의 실용성을 보여줍니다.

arXiv:2610.01135v2cs.CV공통 태그 Medical Image Analysis, computed tomography ct

RSNA 뇌동맥류(RSNA-ICA) 데이터셋

The RSNA Intracranial Aneurysm (RSNA-ICA) Dataset

뇌동맥류 파열은 상당한 이환율 및 사망률과 관련이 있지만, 특히 작은 병변이거나 비혈관조영 일반 영상 검사에서는 동맥류 탐지가 여전히 까난한 과제로 남아 있습니다. 뇌동맥류 탐지 및 위치 식별을 위한 인공지능(AI) 알고리즘의 개발과 평가를 지원하고자 북미영상의학회(RSNA)는 미국신경영상의학회(ASNR), 신경중재수술학회(SNIS), 유럽신경영상의학회(ESNR)와의 협력을 통해 RSNA 뇌동맥류(RSNA-ICA) 데이터셋을 구축했습니다. 2025 RSNA 뇌동맥류 탐지 챌린지(RSNA Intracranial Aneurysm Detection Challenge)를 위해 개발된 RSNA-ICA는 5개 대륙 12개국 21개 기관에서 수집한 4,278명의 성인 환자로부터 얻은 7,202건의 CTA, MRA 및 MRI 시리즈로 구성된 대규모의 공개 전문가 주석 데이터셋입니다. 이 데이터셋은 낭상 뇌동맥류가 있거나 없는 환자들의 CTA 2,566건, MRA 2,166건, MRI 2,470건 시리즈를 포함하여 상당한 지리적 및 영상학적 다양성을 제공합니다. 전문가 주석에는 동맥류의 유무와 위치가 모두 표시되어 있으며, 178건의 시리즈에는 챌린지에서 정의한 혈관 위치에 대한 3차원 분할(segmentation)이 추가로 포함되어 있습니다. RSNA-ICA는 2025 RSNA 뇌동맥류 탐지 챌린지에서 알고리즘을 개발하고 평가하는 데 사용되었습니다. 7,202건의 영상 시리즈 중 5,041건은 MIRA를 통해 공개되어 있으며, 나머지는 챌린지의 공개 및 비공개 테스트 세트로 사용되었습니다. 이 데이터셋은 비상업적 용도에 한해 연구 커뮤니티에 무료로 제공되며, 혈관조영 검사와 일반 신경영상 검사 전반에서 AI 기반 동맥류 탐지를 발전시키기 위한 종합적인 리소스를 제공합니다.

arXiv:2610.02375v1cs.CV공통 태그 Medical Image Analysis, computed tomography ct

EviDent-CBCT: 비소진적 판독문 지도하의 치과용 CBCT 기반 근거 병목 판독문 생성

EviDent-CBCT: Evidence-Bottlenecked Report Generation from Dental CBCT under Non-Exhaustive Report Supervision

치과악안면 콘빔 CT(CBCT) 판독문은 단일 3D 스캔으로부터 수십 가지의 치아별, 해부학적 및 공간적 소견을 포함할 수 있습니다. 일상적인 판독문이 영상 소견을 소진적(exhaustively)으로 빠짐없이 기록하지 않을 수 있고, 언급되지 않은 항목이 병변의 부재 또는 단순 미보고 중 어느 쪽이든 반영할 수 있기 때문에 제한된 임상 데이터로부터 이러한 판독문을 생성하도록 학습(training)시키는 것은 어렵습니다. 본 논문에서는 이러한 불완전한 지도를 위해 설계된 근거 병목(evidence-bottlenecked) 프레임워크인 EviDent-CBCT를 제안합니다. 해부학 인식 네트워크는 각 CBCT 스캔을 치아 수준, 전역적(global), 그리고 치아-하치조신경관(tooth-IAC) 근거의 이산형 기록으로 매핑합니다. 치과 논리 일관성 투영(dental-logic consistency projection)은 호환되지 않는 근거를 조율하며, 이후 결정론적 렌더러와 이미지를 보지 않는 로컬 언어 모델(language model)이 오직 이 기록만을 사용하여 판독문을 생성합니다. 치아 수준 근거의 경우 신뢰도 인식 학습은 유효한 미언급 항목을 가중치(weight)가 감소된 음성 샘플로 사용하는 반면, 보고되지 않은 전역적 및 치아-하치조신경관 라벨은 미상(unknown)으로 유지합니다. 금속 감응형 입력 채널은 치과 재료의 강도 단서를 보존합니다. 3회의 검증(validation) 실행 전반에서 EviDent-CBCT는 병합 근거 세트 F1 0.666±0.006 및 RadFact-Lite-Dental 논리 F1 0.402±0.003을 달성하여, 가장 강력한 통제된 직접 기준선(baseline) 모델(model)의 0.371±0.018 대비 우수한 성능을 보였습니다. ODIN 2026 챌린지 숨겨진 테스트 세트에서 본 방법은 자동 평가 2위, 블라인드 임상 아레나 비교 3위를 기록했습니다. 이러한 결과는 이산형 근거 기록이 CBCT 판독문 생성을 위한 효과적이고 감사 가능한(auditable) 인터페이스임을 뒷받침합니다.

arXiv:2610.02382v1cs.CV공통 태그 Medical Image Analysis, computed tomography ct

FactorSplat: 의료 볼륨 렌더링을 위한 외관 제어 가능한 가우시안 프록시

FactorSplat: Appearance-Controllable Gaussian Proxies for Medical Volume Rendering

전이 함수(TF)는 의료 볼륨 렌더링에서 색상과 가시성을 제어하지만, 이미지로 학습된 가우시안 프록시는 일반적으로 하나의 전이 함수만을 외관에 고정(bake)해 둡니다. 본 논문에서는 추론(inference) 시 영역별 강도-RGBA 곡선을 입력받는 씬별 N차원 가우시안 스플래팅(N-DGS) 프록시인 FactorSplat을 제시합니다. 로컬 룩업(lookup)은 제작된 색상 및 불투명도 변화를 적용하는 한편, 공유 함수형 인코더와 가우시안별 저순위 팩터는 잔여 외관 반응을 학습합니다. 기하학적 구조와 방향성 외관은 프리셋 전반에 걸쳐 공유되며, 가시성 제어 및 TF 인식 가지치기(pruning)를 통해 구조를 숨기거나 드러내는 기능을 유지합니다. 7개의 CT 및 MR 스캔에서 FactorSplat은 검증(validation), 보간, 미확인 조합, 분포 외(OOD) 편집 전반에 걸쳐 영역 인식 VEG 대비 평균 PSNR과 변경 영역 오차를 개선합니다. 이 네 가지 분할 전반에서 7개 스캔의 VEG 대비 평균 PSNR 향상은 1.10에서 1.52 dB에 이릅니다. 스캔당 하나의 체크포인트(checkpoint)로 재학습 없이 미확인 편집을 지원합니다. $1600^2$ 해상도에서 캐시된 고속 렌더러는 1.17 ms의 TF 전환과 함께 평균 524 FPS를 달성합니다. 프로젝트 페이지: https://gaozhongpai.github.io/FactorSplat/.

arXiv:2610.03224v1cs.CV공통 태그 Medical Image Analysis, computed tomography ct

확산 기반 의료 영상 합성에서 의미론적 정확성의 대리 지표로서의 불확실성

Uncertainty as a Proxy for Semantic Correctness in Diffusion-Based Medical Image Synthesis

확산 모델(Diffusion model)은 조영 증강 CT(CECT)를 비조영 CT(NCCT)로부터 합성할 수 있어 조영제 투여와 그에 따른 환경적 비용 및 환자 접근성 비용을 줄일 수 있다. 그러나 시각적으로 사실적인 이미지가 반드시 해부학적으로 정확한 것은 아니며, 생성 품질을 평가하는 데 사용되는 픽셀 강도 및 특징 공간 유사도 지표는 해부학적 정확성을 직접 측정하지 못한다. 본 연구에서는 확산 기반 의료 영상 합성에서 불확실성(uncertainty)이 의미론적 정확성(semantic correctness)의 대리 지표로 기능할 수 있는지 조사한다. 우리는 CECT 영상과 내강 분할(lumen segmentation)을 공동으로 생성하는 멀티태스크 확산 프레임워크인 AortaDiff를 활용하여 NCCT-to-CECT 합성을 연구한다. 분할 출력은 생성된 혈관 해부학에 대한 명시적 표현을 제공하여 분할 기반 오차를 생성 정확성의 정량적 척도로 사용할 수 있게 한다. 가중치(Ensemble, HyperDiff, BayesDiff), 아키텍처 섭동(MCDropout), 생성 확률성(RDS), 입력 섭동(TTA) 불확실성을 아우르는 6가지 방법을 픽셀, 영역, 이미지 수준에서 비교하고, 임상적으로 유의미한 분포 외(OOD) 케이스 탐지에 대해 평가한다. 불확실성은 세 가지 공간적 척도 모두에서 유의미한 정보를 제공하며, 분포 이동(distribution shift)이 존재하는 외부 다기관 데이터셋에서도 유효성을 유지하고 OOD 탐지를 지원함을 확인했다. 특히 6가지 방법 중 MCDropout이 두드러졌다. 모든 척도에서 선도적인 방법 중 하나로 평가받았으며, 외부 데이터셋에서도 우수한 일반화 성능을 보였고, 이미 드롭아웃으로 학습된 모든 모델에서 추론 시 바로 활성화할 수 있어 추가적인 학습 비용 없이 신뢰할 수 있는 불확실성을 제공한다. 불확실성은 심각한 실패 사례를 신뢰성 있게 감지하지만, 이미 고품질인 이미지들 사이에서는 구별력이 떨어진다. 이러한 발견은 불확실성이 NCCT-to-CECT 합성에서 품질 필터링, 신뢰성 평가 및 OOD 탐지를 위한 실용적이고 계산 효율적인 신호로 활용될 수 있음을 뒷받침한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.