Imaging foundation model for universal enhancement of non-ideal measurement CT
Created by
Haebom
Category
Empty
저자
Rongjun Ge, Yuxin Liu, Zhan Wu, Shangwen Yang, Yuan Gao, Chenyu You, Ge Wang, Shuo Li, Yuting He, Yang Chen
💡 개요
본 논문은 최적화되지 않은 영상 프로토콜을 사용하는 비이상 측정 CT(NICT)의 영상 품질 저하 문제를 해결하기 위해 멀티스케일 통합 트랜스포머 기반 영상 파운데이션 모델인 TAMP를 제안합니다. 1천만 개 이상의 시뮬레이션된 NICT 영상 데이터로 사전 학습된 TAMP는 다양한 NICT 설정, 결함 정도, 신체 부위에 걸쳐 뛰어난 일반화 성능을 보입니다. 또한, 파라미터 효율적인 미세 조정 전략을 통해 적은 양의 데이터로도 특정 임상 시나리오에 적응할 수 있습니다.
🔑 시사점 및 한계
•
TAMP는 방대한 물리 기반 시뮬레이션 데이터로 사전 학습되어 다양한 NICT 환경에서 높은 일반화 성능을 보여, 기존 딥러닝 방법의 데이터 의존성 및 일반화 한계를 극복합니다.
•
파라미터 효율적인 미세 조정을 통해 소량의 데이터만으로도 특정 임상 요구에 맞게 모델을 빠르게 적응시킬 수 있어 실제 임상 적용 가능성을 높입니다.
•
실제 영상 및 방사선 전문의 평가를 통해 TAMP가 영상 품질과 임상적 수용도를 일관되게 향상시키며, NICT의 활용 범위를 넓힐 잠재력이 있음을 입증했습니다.
•
(한계점 또는 향후 과제) 시뮬레이션 데이터의 현실적인 반영 정도 및 실제 다양한 임상 환경에서의 장기적인 성능 검증이 추가적으로 필요할 수 있습니다.
