Optical coherence tomography (OCT) is an optical medical imaging modality that provides non-invasive three-dimensional imaging with high-speed and high-sensitivity in vivo. However, systemic limitations inherently arising from the basic operating principle of OCT degrade the resolution and SNR of images and limit their functionality as diagnostic tools. Recently, various hardware or software-based studies have been conducted to overcome these limitations, and one of them is application of deep learning that has been proven performance in diverse imaging fields. However, previous studies did not mainly utilize the raw signals and only demonstrated performance for specific systems and samples. Therefore, the performance improvement was limited and it was difficult to prove expandability to general-purpose applications. In this study, a deep learning-based processing for resolution enhancement and noise suppression was proposed based on theoretical understanding of optical coherence tomography systems and acquired signals, and performance is demonstrated for various samples. Through this, it is expected to overcome the limitations of existing optical consistency tomography and expand versatility as a medical diagnostic technology.
광 간섭 단층 촬영은 생체내에서 고속, 고감도, 비침습적 3차원 이미징이 가능한 광학 의료 영상 촬영 기술이다. 하지만 광 간섭 단층 촬영의 작동 방식에서 필연적으로 기인하는 해상도 및 신호 대 잡음비 저하와 같은 한계는 진단 도구로써 기능을 제한해왔다. 최근 이러한 한계를 극복하기 위해 하드웨어 혹은 소프트웨어 기반의 다양한 연구들이 진행되고 있는데, 그 중 하나가 다양한 이미징 분야에서 성능이 입증된 딥러닝의 적용이다. 하지만 기존 연구들은 원시 신호를 충분히 활용하지 못 했고 특정 시스템과 샘플에 국한된 성능만 보여왔다. 따라서 성능 향상이 제한적이고 범용적 적용을 위한 확장성을 입증하기 어려웠다. 본 연구에서는 광 관섭 단층 촬영 시스템과 측정되는 신호에 대한 이론적 이해를 바탕으로 해상도 증가 및 노이즈 억제를 위한 딥러닝 기반의 프로세싱을 제안하였으며, 다양한 샘플에 대한 성능을 입증하였다. 이를 통해 기존 광 관섭 단층 촬영의 한계를 극복하고 의학 진단 기술로써 범용성 확대에 이바지할 수 있기를 기대한다.
