[논문] U‑TTT: 테스트‑타임 트레이닝으로 일반화 가능한 PET 이미지 노이즈 제거
개요
기존의 양전자 방출 단층촬영(PET) 이미지 노이즈 제거를 위한 딥러닝 모델은 분포 이동 상황에서 성능이 크게 저하되는 경우가 많아 임상 현장에 견고하게 적용하기 어렵다. 이러한 일반화 부족은 훈련 후 테스트 데이터(예: 투여량 수준이나 스캐너 종류)의 변동에 적응할 수 없는 고정 파라미터 모델이라는 전통적인 패러다임에서 비롯된다. 이 한계를 극복하고 견고한 일반화를 달성하기 위해 우리는 U‑TTT라는 새로운 U‑shape 모델을 제안한다. 이 모델은 테스트 시 훈련(Test‑Time Training, TTT) 레이어를 통합해 추론 과정에서 자체 지도(self‑supervision)를 통해 모델 파라미터를 동적으로 조정함으로써 각 테스트 인스턴스의 특성에 맞게 적응한다. 또한 3D PET 데이터의 복잡한 손상을 포괄적으로 포착하기 위해 U‑TTT는 공간 테스트‑시간 훈련(S‑TTT) 레이어와 주파수 테스트‑시간 훈련(F‑TTT) 레이어로 구성된 이중 도메인 적응 메커니즘을 갖는다. S‑TTT 레이어는 공간 구조적 손상을 포착·보정하고, F‑TTT 레이어는 전역 노이즈 스펙트럼을 억제하며 섬세한 고주파 디테일을 복원한다. 광범위한 실험 결과, U‑TTT는 최첨단 PET 노이즈 제거 성능을 달성했을 뿐만 아니라 보이지 않는 투여량 수준 및 보이지 않는 스캐너와 같은 어려운 분포 이동 상황에서도 뛰어난 일반화를 보였다. 우리의 코드는 https://github.com/Yaziwel/U‑TTT 에서 제공될 예정이다.
주요 기여
이 논문은 다음 분야의 연구를 제시한다.
- cs.CV
방법론
자세한 방법론은 전체 논문을 참고하시기 바랍니다.
실용적 시사점
본 연구는 cs.CV 분야의 발전에 기여한다.
저자
- Zhiwen Yang
- Jiayin Li
- Hao Lu
- Hui Zhang
- Zihua Wang
- Bingzheng Wei
- Yan Xu
논문 정보
- arXiv ID: 2606.11032v1
- Categories: cs.CV
- Published: 2026년 6월 9일
- PDF: PDF 다운로드