Comparative Study of Artificial Intelligence Algorithms for Noise Reduction in Low-Dose CT Imaging

저선량 CT 영상은 방사선 피폭을 줄일 수 있으나, 노이즈 증가로 인해 진단 정확도가 저하된다. 본 연구에서는 이를 개선하기 위해 U-Net 기반 딥러닝과 웨이블릿 변환을 결합한 두 구조를 비교하였다. 첫 번째는 웨이블릿을 전처리로 적용한 뒤 U-Net을 사용하는 구조(Wavelet→U-Net), 두 번째는 U-Net 이후 웨이블릿을 후처리로 적용하는 구조(U-Net→Wavelet)이다. Kaggle Chest CT 데이터셋에 인위적으로 노이즈를 추가하여 실험을 수행하였으며, PSNR과 SSIM을 통해 성능을 평가하였다. 그 결과 Wavelet→U-Net은 PSNR에서 우수했으나 SSIM은 고노이즈 조건에서 감소하였다. 반면 U-Net→Wavelet은 PSNR은 낮았지만 SSIM은 안정적으로 유지되었다. 이러한 결과는 알고리즘 결합 순서가 성능에 중요한 영향을 미침을 입증한다.