안정적인 에지 인식 GAN 기반 의료 영상 합성

의료 영상 합성 분야에서 GAN(생성적 적대 신경망)은 뛰어난 잠재력을 보였지만, 진단 등급의 품질, 특히 해부학적 에지 보존 및 모드 붕괴 방지 측면에서 한계가 있었습니다. 본 연구는 이러한 문제를 해결하기 위해 안정적인 에지 인식 GAN 아키텍처를 제안합니다. 이 아키텍처는 훈련 중 구조적 그라디언트를 적응적으로 강화하는 동적 학습형 양방향 커널과 공간적 일관성을 유지하기 위한 보간된 스킵 연결을 가진 계층형 생성기를 특징으로 합니다. 방법론은 CT 신장 데이터셋(12,446개 이미지)에 대해 Wasserstein 정규화를 이용한 적대적 훈련을 활용하여 전역적 충실도와 국부적 정밀도를 최적화했습니다. 포괄적인 실험 결과, 제안 모델은 정량적 지표에서 우수성을 입증했습니다. FID(Fréchet Inception Distance)는 43% 개선(87 vs. DCGAN의 149, p < 0.01), 에지 선명도는 16% 향상(Sobel 그라디언트 크기 45.2 ± 3.1 vs. 38.9 ± 4.2), SSIM 점수는 0.82 ± 0.05를 달성했습니다. 임상 검증에서는 공인 방사선 전문의들이 합성 이미지의 89%를 진단적으로 타당하다고 평가했으며, 특히 종양 경계 묘사에 대해 높이 평가했습니다. 또한, 이 아키텍처는 기존 GAN 대비 손실 변동을 34% 감소시키며 탁월한 훈련 안정성을 보였고, 128 × 128 해상도로 효율적인 확장이 가능했습니다. 이러한 결과는 프라이버시를 보호하는 의료 데이터 증강을 위한 새로운 기준을 제시하며, 주석 처리된 데이터셋이 제한적인 시나리오에 즉각적인 가치를 제공합니다. 향후 연구는 3D 볼륨 합성으로의 확장과 다중 모달 애플리케이션을 위한 확산 모델과의 통합을 포함하며, 이는 의료 기관이 프라이버시 침해 없이 합성 환자 데이터를 생성하고 공유하는 방식을 혁신할 잠재력을 가집니다.