SRU-Pix2Pix: 소량 데이터 학습을 위한 융합 기반 생성 네트워크를 활용한 의료 영상 변환

SRU-Pix2Pix: A Fusion-Driven Generator Network for Medical Image Translation with Few-Shot Learning

자기 공명 영상(MRI)은 상세한 조직 정보를 제공하지만, 긴 촬영 시간, 높은 비용, 제한된 해상도 등으로 인해 임상 적용에 어려움이 있습니다. 최근 이미지 변환은 이러한 한계를 극복하기 위한 전략으로 주목받고 있습니다. Pix2Pix는 의료 영상 변환에 널리 사용되지만, 그 잠재력은 아직 충분히 활용되지 않았습니다. 본 연구에서는 Squeeze-and-Excitation Residual Networks (SEResNet)와 U-Net++를 통합하여 이미지 생성 품질과 구조적 정확성을 향상시키는 개선된 Pix2Pix 프레임워크를 제안합니다. SEResNet은 채널 주의 메커니즘을 통해 중요한 특징 표현을 강화하고, U-Net++은 다중 스케일 특징 융합을 향상시킵니다. 또한, 단순화된 PatchGAN 판별기는 학습 안정성을 높이고 지역 해부학적 현실감을 개선합니다. 실험 결과는 500개 미만의 이미지로 구성된 소량 데이터 조건에서, 제안된 방법이 다양한 MRI 변환 작업에서 일관된 구조적 정확성과 우수한 이미지 품질을 달성하며, 뛰어난 일반화 능력을 보여준다는 것을 입증합니다. 이러한 결과는 Pix2Pix를 의료 영상 변환에 효과적으로 확장할 수 있음을 시사합니다.

Magnetic Resonance Imaging (MRI) provides detailed tissue information, but its clinical application is limited by long acquisition time, high cost, and restricted resolution. Image translation has recently gained attention as a strategy to address these limitations. Although Pix2Pix has been widely applied in medical image translation, its potential has not been fully explored. In this study, we propose an enhanced Pix2Pix framework that integrates Squeeze-and-Excitation Residual Networks (SEResNet) and U-Net++ to improve image generation quality and structural fidelity. SEResNet strengthens critical feature representation through channel attention, while U-Net++ enhances multi-scale feature fusion. A simplified PatchGAN discriminator further stabilizes training and refines local anatomical realism. Experimental results demonstrate that under few-shot conditions with fewer than 500 images, the proposed method achieves consistent structural fidelity and superior image quality across multiple intra-modality MRI translation tasks, showing strong generalization ability. These results suggest an effective extension of Pix2Pix for medical image translation.