As our society is aging, osteoporosis is becoming prevalent. Accurate diagnosis of osteoporosis needs a high-resolution skeletal image. Resolution enhancement for skeletal images using topology optimization is successful but the problem is that its computational time is too long for clinical application. Recently, deep learning receives attention due to its high accuracy and fast computational time, therefore, resolution enhancement using deep learning has been researched. However, a lack of large-scale datasets is a major problem for deep learning in medical images. The patchwise approach can solve this problem to augment many data, however, this approach causes disconnected patches, which degrades image quality and structural behavior. This paper introduces quilting algorithm, which is used in texture synthesis, to solve this discontinuity problem. In addition, ResNet and SRGAN, which are commonly used in resolution enhancement problem, are compared in image quality and structural behavior. The proposed method reconstructs high-resolution skeletal images faster than topology optimization and improves image quality and structural behavior. However, the accuracy is still a lot lower, so further works are needed.
사회의 고령화되면서 골다공증이 널리 퍼지고 있다. 골다공증의 정확한 진단에는 고해상도 골격계 영상이 필요하다. 위상최적설계를 이용한 골격계 영상 고해상화는 성공적이지만 계산 시간이 너무 길어서 임상 적용에 어려운 점이 있었다. 최근에는 높은 정확도와 빠른 계산 시간으로 인해 딥 러닝을 통한 고해상화 연구가 진행되고 있다. 그러나 의료 영상에서는 큰 사이즈의 학습 데이터가 부족하다는 문제점이 지적되었다. 패치화 방식은이 문제를 해결하여 많은 데이터를 추가 할 수 있지만 패치 연결이 끊어 지므로 이미지 품질과 구조 동작이 저하된다. 본 논문은 이러한 불연속 문제를 해결하기 위해 텍스처 합성에 사용되는 퀼팅 알고리즘을 소개합니다. 또한 해상도 향상 문제에 일반적으로 사용되는 ResNet과 SRGAN으로 고해상화한 결과의 이미지 품질과 구조적 거동을 비교한다. 제안 된 방법은 위상최적설계보다 빠르게 골격계 영상을 고해상화하고 이미지 품질과 구조적 동작을 개선합니다. 그러나 정확도는 여전히 훨씬 낮으므로 추가 작업이 필요한 것으로 보인다.
