사례 연구: 3-Tier 맘모그래피 향상 파이프라인¶

요약

이 페이지는 단일 참조 구현(references/euiju/heo_mammo_0608.py)을 처음부터 끝까지 해부하여, 앞선 이론 페이지들이 실제 코드에서 어떻게 결합되는지를 보이는 구체적인 사례 연구(case study)다. 파이프라인은 RAW 검출기 신호를 입력으로 받아 다음 네 단계를 거친다.

Phase A — 물리 신호 선형화: 조명 맵(illumination map) \(I_0\) 추정 → log 선형화 \(L=\log(I_0/I)\) → 유방 마스크(mask) 생성.
Phase A.5 — Peripheral thickness 보상: 정규화 컨볼루션(normalized convolution)으로 외곽 두께 구배(wedge)를 추정하고, 얇은 가장자리만 선택적으로 상향 보정.
Phase B — 3-Tier 분해: cascaded guided filter로 global / regional / detail 세 계층으로 분해하고, detail은 Laplacian pyramid로 증폭.
Phase C — 렌더링 융합: 선형 융합(For-Processing) 출력과 톤매핑(For-Presentation) 출력 두 가지를 생성하고, 후자를 DICOM으로 저장.

전체 흐름은 파이프라인 개요의 일반 모델을 구체화한 것이며, 두 종류의 출력(For-Processing vs For-Presentation)이라는 구분이 핵심 설계 결정이다.

1. 개요와 전체 파이프라인¶

맘모그래피 RAW 영상은 검출기에 도달한 광자 수(quanta)에 비례하는 선형 신호이지만, 사람이 보기에는 부적합하다. X-ray 감쇠가 지수적이고(X-ray 감쇠), 검출기 응답이 비선형 구간을 포함하며(디텍터 비선형성), 유방 외곽은 압박 두께가 얇아 신호가 과도하게 밝아진다(wedge/heel 효과). 이 파이프라인은 그 세 가지 왜곡을 차례로 제거한 뒤, 다중스케일 분해로 진단적으로 중요한 구조(미세석회·종괴·혈관벽)를 선택적으로 강조한다.

flowchart TD
    L["load_mammography_data<br/>RAW 3816×3048 uint16 + DICOM 쌍"] --> A

    subgraph PA["Phase A — 물리 신호 선형화"]
        A["estimate_illumination_map<br/>배경 그리드 + 2D 다항식 피팅 → I₀"]
        A --> B["apply_log_linearization<br/>L = log(I₀/I) → [0,65535]"]
        B --> C["get_breast_mask<br/>threshold + morphology + LCC"]
    end

    C --> PA5
    subgraph PA5["Phase A.5 — Peripheral Thickness 보상"]
        D["_estimate_thickness_map<br/>normalized convolution"]
        D --> E["compensate_peripheral_thickness<br/>외곽만 상향, 음수 클립"]
    end

    E --> PB
    subgraph PB["Phase B — 3-Tier 분해"]
        F["_guided_filter_masked<br/>global r=150 / mid r=50"]
        F --> G["regional = mid − global<br/>detail = img − mid"]
        G --> H["_build/_reconstruct_laplacian<br/>detail 레벨가중 증폭"]
    end

    H --> PC
    subgraph PC["Phase C — 렌더링 융합"]
        I["stage_for_presentation"]
        I --> J["For-Processing<br/>(선형 융합)"]
        I --> K["For-Presentation<br/>(black-point → DRC → CLAHE)"]
    end

    K --> S["save_as_presentation_dicom<br/>새 UID, DERIVED/SECONDARY"]

For-Processing vs For-Presentation

의료영상 표준에서 For-Processing 영상은 후속 알고리즘(CAD, 정량분석)을 위한 선형성에 가까운 데이터이고, For-Presentation 영상은 사람이 판독하도록 톤매핑·대비강조·CLAHE가 적용된 데이터다. 이 코드의 stage_for_presentation은 한 번의 호출에서 두 출력을 모두 만들어낸다. 자세한 위치는 파이프라인 개요 참조.

2. 데이터 I/O¶

2.1 RAW + DICOM 쌍 적재¶

RAW 영상은 헤더 없는 순수 픽셀 덤프다. 따라서 해상도(3816×3048), 바이트 순서(little-endian), 비트심도(uint16)를 코드가 알고 있어야 np.fromfile로 올바르게 복원할 수 있다.

def load_mammography_data(root_dir, folders_range=(0, 10)):
    RAW_HEIGHT, RAW_WIDTH = 3816, 3048
    RAW_DTYPE = np.dtype('<u2')          # little-endian unsigned 16-bit
    ...
    raw_array = np.fromfile(raw_path, dtype=RAW_DTYPE).reshape((RAW_HEIGHT, RAW_WIDTH))

각 RAW 파일은 동일한 베이스 이름의 *.dcm 파일과 짝지어 적재된다. DICOM의 pixel_array(제조사 처리 결과)는 일종의 정답(ground truth) 참조로 활용되고, 메타데이터는 출력 저장 시 재사용된다.

2.2 For-Presentation DICOM 저장¶

처리된 uint16 배열을 참조 DICOM 메타데이터에 주입하되, 새 영상임을 표시하기 위해 새 UID를 부여하고 ImageType을 DERIVED/SECONDARY로 설정한다.

def save_as_presentation_dicom(img_array, reference_dcm_path, output_path):
    dcm = pydicom.dcmread(reference_dcm_path)
    dcm.SOPInstanceUID = pydicom.uid.generate_uid()
    dcm.SeriesInstanceUID = pydicom.uid.generate_uid()
    dcm.ImageType = ['DERIVED', 'SECONDARY', 'OTHER']
    dcm.PixelData = img_array.tobytes()
    dcm.Rows, dcm.Columns = img_array.shape

    fg_pixels = img_array[img_array > 0]
    p_min, p_max = np.percentile(fg_pixels, (2, 98))
    dcm.WindowWidth  = int(p_max - p_min)
    dcm.WindowCenter = int((p_max + p_min) / 2)

percentile 기반 WW/WL

WindowWidth/WindowCenter는 전경 픽셀의 2–98 percentile로 산출된다. 이는 뷰어가 영상을 열었을 때 기본 windowing이 진단 영역을 합리적으로 펼치도록 하는 초기값(initial WW-WL)이다. 극단값(0 또는 포화)을 잘라내므로 대비가 과도하게 압축되지 않는다.

3. Phase A — 물리 신호 선형화¶

목표는 RAW 신호 \(I\)를 X-ray가 통과한 조직의 누적 감쇠량에 비례하는 양으로 바꾸는 것이다. 이상적으로는 Beer–Lambert 법칙 \(I = I_0 e^{-\mu t}\)에서

\[ L \;=\; \log\!\frac{I_0}{I} \;=\; \mu\, t, \]

즉 로그 영상이 두께·감쇠계수 곱에 선형이다(X-ray 감쇠, 디텍터 비선형성). 문제는 \(I_0\)(빈 빔/조명 맵)이 시야 전체에서 일정하지 않다는 점이다.

3.1 조명 맵 \(I_0\) 추정¶

estimate_illumination_map은 유방 바깥의 직접 노출 영역(배경)을 표본화하여 \(I_0\)를 공간적으로 추정한다. Otsu 이진화 + 최대 연결 요소(LCC)로 배경을 잡고, 경계 오염을 막기 위해 30×30 erosion으로 안전 영역을 만든 뒤, grid_size=100 격자마다 95-percentile을 표본으로 모은다. 이 표본을 차수 degree=2의 2D 다항식에 최소자승(least squares)으로 피팅한다.

def _get_polynomial_basis(x_val, y_val, deg):
    basis = [(x_val**i) * (y_val**j)
             for i in range(deg + 1)
             for j in range(deg + 1 - i)]
    return np.column_stack(basis)

def estimate_illumination_map(raw_array, degree=2, grid_size=100):
    ...
    safe_bg_mask = cv2.erode(bg_mask, np.ones((30, 30), np.uint8), iterations=1)
    for y in range(0, h, grid_size):
        for x in range(0, w, grid_size):
            block_mask = safe_bg_mask[y:..., x:...]
            if np.mean(block_mask) > 0.9:                      # 거의 순수 배경 블록만
                z_val = np.percentile(raw_array[y:..., x:...], 95)
                ...
    A = _get_polynomial_basis(sx / w, sy / h, degree)
    coeffs, _, _, _ = np.linalg.lstsq(A, sz, rcond=None)
    X, Y = np.meshgrid(np.arange(w), np.arange(h))
    full_basis = _get_polynomial_basis(X.flatten()/w, Y.flatten()/h, degree)
    i0_map = (full_basis @ coeffs).reshape(h, w)
    i0_floor = float(np.percentile(positive_pixels, 50))
    return np.clip(i0_map, a_min=i0_floor, a_max=None)

왜 다항식 피팅인가

빈 빔 영상이 없으므로 \(I_0\)는 측정할 수 없다. 대신 유방 그림자가 없는 배경 영역의 밝기는 거의 순수 \(I_0\)이므로, 그 표본을 매끄러운 저차 다항식으로 외삽하면 유방 아래 영역의 \(I_0\)도 합리적으로 복원된다. 차수가 너무 높으면 표본 잡음에 과적합하므로 2차로 제한한다. i0_floor(중앙값 클립)는 외삽이 음수/0으로 발산하여 로그가 폭발하는 것을 막는다.

3.2 log 선형화¶

def apply_log_linearization(raw_array, i0_map):
    EPSILON = 1.0
    linearized = np.log(np.clip(i0_map, EPSILON, None) / np.clip(raw_array, EPSILON, None))
    linearized = np.clip(linearized, 0, None)        # 음수(배경) 제거
    l_max = linearized.max()
    result = (linearized / l_max * 65535) if l_max > 0 else linearized
    return result.astype(np.uint16)

\(L=\log(I_0/I)\)를 계산하고 \([0,65535]\)로 정규화한다. 이 변환은 곧 영상 밝기를 특성 곡선의 선형 구간으로 끌어오는 작업이다. 음수 클립은 \(I>I_0\)인 배경 픽셀(잡음)을 0으로 만든다.

3.3 유방 마스크 생성¶

def get_breast_mask(img, mask_thresh=1000):
    _, thresh = cv2.threshold(thresh_input, mask_thresh, 255, cv2.THRESH_BINARY)
    kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))
    thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel)   # 구멍 메우기
    thresh = cv2.morphologyEx(thresh, cv2.MORPH_OPEN,  kernel)   # 점잡음 제거
    num_labels, labels, stats, _ = cv2.connectedComponentsWithStats(thresh)
    largest_label = 1 + np.argmax(stats[1:, cv2.CC_STAT_AREA])   # 최대 연결요소(LCC)
    return np.where(labels == largest_label, 255, 0).astype(np.uint8)

임계값 이진화 후 close → open morphology/마스크 연산으로 경계를 정리하고, 최대 연결 요소(largest connected component)만 남겨 유방 본체를 분리한다. 이후 모든 단계는 이 마스크 내부에서만 작동한다.

4. Phase A.5 — Peripheral Thickness 보상¶

압박된 유방은 가장자리로 갈수록 두께가 얇아져(wedge) X-ray가 덜 감쇠되고, 따라서 외곽이 과도하게 밝게 나타난다. 이 단계는 두께 구배를 추정하여 얇은 외곽만 선택적으로 끌어올린다. 이론적 배경은 peripheral equalization/두께 보상에 정리되어 있다.

4.1 두께 맵 추정 — 정규화 컨볼루션¶

마스크 경계에서 단순 Gaussian blur를 쓰면 배경(0)이 섞여 들어와 외곽 밝기를 과소추정하고 halo를 만든다. 정규화 컨볼루션은 마스크로 가중한 blur를 마스크 자체의 blur로 나눠 이를 보정한다.

\[ T(x,y) \;=\; \frac{G_\sigma * (I \cdot m)}{G_\sigma * m}. \]

def _estimate_thickness_map(img_f, mask, radius, downsample_factor=4):
    ...
    numer = cv2.GaussianBlur(img_ds * mask_f, (0, 0), sigmaX=sigma)
    denom = cv2.GaussianBlur(mask_f,          (0, 0), sigmaX=sigma)

    DENOM_THRESH = 0.15      # 1e-6 → 0.15 로 강화
    valid_vals = numer[denom > DENOM_THRESH] / (denom[denom > DENOM_THRESH] + 1e-6)
    fill_val   = float(np.median(valid_vals)) if len(valid_vals) > 0 else 0.0
    thick_ds   = np.where(denom > DENOM_THRESH, numer / (denom + 1e-6), fill_val)

Halo 방지 설계 — denom 임계 0.15와 중앙값 채움

경계부에서는 분모 \(G_\sigma*m\)가 0에 가까워져 \(T\)가 폭발적으로 커진다. 코드는 두 가지 장치로 이를 막는다.

denom 임계값 0.15: 분모가 작은 불안정 픽셀을 아예 나눗셈에서 제외한다(일반적 1e-6 대비 강화).
중앙값 채움(fill_val): 제외한 픽셀을 0이 아니라 유효 영역의 중앙값으로 채운다. 만약 0으로 채우면 뒤의 보정식 correction = 0 − t_ref < 0이 되어 과보정(over-correction)으로 오히려 halo가 생긴다.

연산은 downsample_factor=4로 축소한 저해상도에서 수행해 속도를 높이고, 마지막에 원해상도로 복원한다.

4.2 보정 적용 — 외곽만 상향¶

def compensate_peripheral_thickness(processed_raw, mask, radius_wedge=300, ...):
    img_f = processed_raw.astype(np.float32) / 65535.0
    thickness_map = _estimate_thickness_map(img_f, mask, radius=radius_wedge, ...)
    t_ref = float(np.percentile(fg_pixels, 90))               # 두꺼운 중심부 기준
    correction  = np.clip(thickness_map - t_ref, None, 0.0)   # 외곽(얇은 곳)만 음수
    compensated = np.clip(img_f - correction, 0.0, None)      # img - (음수) = 상향
    compensated[mask == 0] = 0.0
    return (compensated * 65535.0).astype(np.uint16)

기준값 \(t_\text{ref}\)를 전경 90-percentile(두꺼운 중심부 두께)로 잡고, \(T < t_\text{ref}\)인 얇은 외곽에서만 correction이 음수가 된다. img − correction은 그 영역을 끌어올리고, 중심부는 np.clip(..., None, 0.0)에 의해 건드리지 않는다. 즉 얇은 곳만 밝게 보정하고 두꺼운 곳은 보존하는 단방향 보정이다.

5. Phase B — 3-Tier 분해¶

선형화·보상된 영상을 주파수 대역별 세 계층으로 분해한다(다중스케일 분해). 분해의 뼈대는 반복 적용되는 edge-preserving guided filter¹다.

5.1 마스크 인식 Guided Filter¶

def _guided_filter_masked(img_float, mask, radius, eps):
    mask_f = (mask > 0).astype(np.float32)
    sigma  = float(radius) * 0.6
    numer  = cv2.GaussianBlur(img_float * mask_f, (0, 0), sigmaX=sigma)
    denom  = cv2.GaussianBlur(mask_f,             (0, 0), sigmaX=sigma)
    filled = np.where(denom > 1e-6, numer / (denom + 1e-6), 0.0)
    filled[mask > 0] = img_float[mask > 0]                    # 전경은 원값 보존, 배경만 외삽
    result = cv2.ximgproc.guidedFilter(guide=filled, src=filled, radius=radius, eps=eps)
    result[mask == 0] = 0.0
    return result

guided filter를 마스크 경계에 그대로 적용하면 0인 배경이 평활화에 섞여 경계 halo가 생긴다. 그래서 배경을 전경값으로 외삽(normalized convolution)하여 채운 뒤 필터를 돌리고, 끝에서 배경을 다시 0으로 복원한다.

5.2 세 계층 분리와 detail 증폭¶

def stage_decomposition(processed_raw, mask, pyr_levels=5,
                        radius_global=150, radius_regional=50,
                        eps_global=0.01, eps_regional=0.001):
    img_float    = processed_raw.astype(np.float32) / 65535.0
    global_layer = _guided_filter_masked(img_float, mask, radius=150, eps=0.01)   # 초저주파
    mid_layer    = _guided_filter_masked(img_float, mask, radius=50,  eps=0.001)  # 중주파

    regional_layer = mid_layer - global_layer     # 중간 주파수 국소 조직
    detail_layer   = img_float - mid_layer         # 고주파 미세 구조

    # 경계 Halo 억제: 양수 성분만 경계에서 감쇠, 음수(실제 조직)는 보존
    dist = cv2.distanceTransform(mask.astype(np.uint8), cv2.DIST_L2, 5)
    boundary_fade = np.clip(dist / 30.0, 0.0, 1.0)
    regional_layer = (np.maximum(regional_layer, 0.0) * boundary_fade
                      + np.minimum(regional_layer, 0.0))

    # 고주파 우선 증폭 가중치
    weights = [2.0, 2.0, 1.5, 1.0, 0.5]
    lp, residual = _build_laplacian_pyramid(detail_layer, pyr_levels)
    enhanced_detail = _reconstruct_from_laplacian(lp, residual, weights)
    return global_layer, regional_layer, enhanced_detail

세 계층의 의미는 다음과 같다.

계층	정의	주파수	담는 정보
`global_layer`	guided filter (r=150)	초저주파	두께 구배·전체 밝기
`regional_layer`	mid(r=50) − global	중주파	국소 조직 구조·종괴
`detail_layer` → `enhanced_detail`	img − mid, Laplacian 증폭	고주파	미세석회·혈관벽

detail 계층은 Laplacian pyramid²로 다시 5단계로 쪼갠 뒤, 레벨별 가중치 [2.0, 2.0, 1.5, 1.0, 0.5]로 재합성한다. lp[0]이 최고주파(미세석회)이므로 가장 크게 증폭하고, 저주파로 갈수록 완화한다.

def _build_laplacian_pyramid(img, levels):
    gp = [img]
    for _ in range(levels):
        gp.append(cv2.pyrDown(gp[-1]))
    lp = []
    for i in range(levels):
        size = (gp[i].shape[1], gp[i].shape[0])
        lp.append(cv2.subtract(gp[i], cv2.pyrUp(gp[i + 1], dstsize=size)))
    return lp, gp[-1]

def _reconstruct_from_laplacian(lp, residual, weights):
    R = residual
    for i in range(len(lp) - 1, -1, -1):
        size = (lp[i].shape[1], lp[i].shape[0])
        R = cv2.add(cv2.pyrUp(R, dstsize=size), lp[i] * weights[i])
    return R

regional 경계 soft fade의 비대칭성

regional_layer의 경계 처리는 distance transform 기반 fade를 양수 성분에만 적용한다. 양수 잔차는 경계 halo의 주범이므로 30px 안쪽으로 선형 감쇠시키지만, 음수 잔차(실제 조직·미세석회의 어두운 신호)는 그대로 보존한다. 모든 성분을 일괄 감쇠(blanket fade)하면 경계 안쪽의 유효 신호까지 지워지기 때문이다.

6. Phase C — 렌더링 융합¶

stage_for_presentation은 세 계층을 선형 결합한 뒤, For-Processing(선형)과 For-Presentation(톤매핑) 두 출력을 만든다(contrast enhancement/DRC).

6.1 선형 융합과 For-Processing 출력¶

def stage_for_presentation(global_layer, regional_layer, enhanced_detail, mask,
                           equalization_alpha=0.7, regional_gain=1.5, detail_gain=1.5,
                           gamma=2.5, clahe_clip=1.0, clahe_blend=0.1):
    suppressed_global  = global_layer * (1.0 - equalization_alpha)   # 두께 구배 억제
    amplified_regional = regional_layer * regional_gain
    fused_float        = suppressed_global + amplified_regional + (enhanced_detail * detail_gain)

    # ── For-Processing 출력: 단순 min-max 정규화(선형) ──
    fp_min, fp_max = np.percentile(fused_float[mask > 0], (0.0, 100.0))
    fp_norm = np.clip((fused_float - fp_min) / (fp_max - fp_min + 1e-6), 0.0, 1.0)
    for_proc_img_out = (fp_norm * 65535.0).astype(np.uint16)

equalization_alpha만큼 global을 억제하면 두께 구배가 평탄화되어 peripheral equalization과 같은 효과가 난다. For-Processing 출력은 여기서 멈추고 선형 정규화만 하므로 후속 정량분석에 적합하다.

6.2 For-Presentation: black-point → DRC → CLAHE¶

    # B-1: Black Point Clipping (하위 3%만 클리핑하여 가장자리 신호 보존)
    p_min, p_max = np.percentile(valid_pixels, (3, 99.5))
    fused_norm = np.clip((fused_float - p_min) / (p_max - p_min + 1e-6), 0.0, 1.0)

    # B-2: Differential Tone Compression (배경만 선택 압축, 미세 구조 보존)
    smooth_bg = cv2.GaussianBlur(fused_norm, (0, 0), sigmaX=20.0)
    fine_str  = fused_norm - smooth_bg
    smooth_bg = np.power(np.clip(smooth_bg, 1e-6, 1.0), gamma) * 0.85   # 배경 gamma 압축
    fused_norm = np.clip(smooth_bg + fine_str * 1.5, 0.0, 1.0)         # 미세 구조 ×1.5 재합성

    # B-3: CLAHE (마스크 ROI 전용)
    fused_16bit = (fused_norm * 65535.0).astype(np.uint16)
    clahe = cv2.createCLAHE(clipLimit=clahe_clip, tileGridSize=(16, 16))
    roi_patch  = fused_16bit[y0:y1, x0:x1].copy()
    clahe_patch = clahe.apply(roi_patch)
    blended_patch = cv2.addWeighted(clahe_patch, clahe_blend, roi_patch, 1.0 - clahe_blend, 0)
    roi_patch[roi_mask > 0] = blended_patch[roi_mask > 0]
    fused_16bit[y0:y1, x0:x1] = roi_patch
    final_img_out = fused_16bit
    final_img_out[mask == 0] = 0

세 단계가 사람 판독용 톤을 만든다.

B-1 Black point clipping: 하위 3% / 상위 99.5%로 클리핑. 하위를 3%로만 자르는 이유는 외곽의 얇은 신호를 검게 죽이지 않기 위해서다(특성 곡선의 어깨/발 구간 제어).
B-2 Differential tone compression(DRC): 영상을 매끄러운 배경(smooth_bg)과 미세 구조(fine_str)로 나눠, 배경에만 \(\text{gamma}=2.5\) 압축을 가하고 미세 구조는 1.5배 증폭해 재합성한다. 전역 gamma가 미세 구조까지 뭉개는 것을 피하는 동적 범위 압축(dynamic range compression) 기법이다.
B-3 CLAHE: 마스크 ROI에만 적용하고, clahe_blend로 원본과 가중 혼합한다(CLAHE/점연산). 16비트 정밀도를 유지하며, 배경(마스크 외부)은 CLAHE의 영향에서 제외해 경계 잡음 증폭을 막는다.

메인 실행부에서 실제로 쓰인 파라미터

process_mammography_dataset의 기본 호출은 함수 시그니처의 기본값과 다르다. 실제 운용 값은 다음과 같다.

stage_for_presentation(..., equalization_alpha=0.85, regional_gain=0.8,
                        detail_gain=3.0, clahe_clip=2.0, clahe_blend=0.1)

즉 global을 더 강하게 억제(0.85)하고, regional은 약하게(0.8), detail은 강하게(3.0) 강조하는 쪽으로 튜닝되어 있다.

최종 결과는 save_as_presentation_dicom을 통해 새 UID가 부여된 For-Presentation DICOM으로 저장된다. 이때 결정되는 WindowWidth/WindowCenter가 곧 뷰어의 LUT·windowing 초기값이 된다.

7. 파라미터 요약¶

Stage	함수	핵심 파라미터(기본값)	효과
A	`estimate_illumination_map`	`degree=2`, `grid_size=100`	\(I_0\) 다항식 차수·표본 격자 크기
A	`apply_log_linearization`	`EPSILON=1.0`	log 분모/분자 하한, 0 발산 방지
A	`get_breast_mask`	`mask_thresh=1000` (메인 1300)	유방 분리 임계값
A.5	`_estimate_thickness_map`	`DENOM_THRESH=0.15`, `downsample_factor=4`	halo 방지 분모 임계·속도
A.5	`compensate_peripheral_thickness`	`radius_wedge=300`, `t_ref=p90`	외곽 보상 범위·기준 두께
B	`stage_decomposition`	`radius_global=150`, `radius_regional=50`, `eps_global=0.01`, `eps_regional=0.001`	계층 분리 스케일·평활 강도
B	Laplacian 재합성	`weights=[2,2,1.5,1,0.5]`, `pyr_levels=5`, `BOUNDARY_FADE_PX=30`	detail 레벨별 증폭·경계 fade
C	`stage_for_presentation`	`equalization_alpha=0.85`, `regional_gain=0.8`, `detail_gain=3.0`	계층 융합 비율
C	DRC / CLAHE	`gamma=2.5`, `sigmaX=20`, fine×1.5, `clahe_clip=2.0`, `clahe_blend=0.1`, `tile=(16,16)`	톤 압축·국소 대비
I/O	`save_as_presentation_dicom`	WW/WL = p2–p98	뷰어 초기 windowing

8. 한계와 향후 개선¶

소스 파일 상단의 주석 # 유선 조직 소실, 보완 필요가 가장 중요한 한계를 정확히 지목한다.

유선 조직 신호 약화: Phase A.5의 외곽 두께 보상은 얇은 가장자리를 밝게 끌어올리는데, 그 영역에 실제 유선 조직(fibroglandular tissue)이 있으면 두께 구배와 조직 신호를 구분하지 못하고 함께 평탄화되어 진단 정보가 손실될 수 있다. wedge 효과와 조직 신호의 분리가 본질적으로 불완전하다.
Halo / 과보정 트레이드오프: DENOM_THRESH=0.15, 중앙값 채움, 비대칭 boundary fade 등은 모두 halo를 억제하려는 휴리스틱이다. 보상을 강하게 할수록 halo 위험이 커지고, 약하게 하면 외곽 평탄화가 불충분해지는 트레이드오프가 남는다.
정량 평가 부재: 현재 검증은 제조사 DICOM과의 육안 비교(메인 실행부 plot)에 의존한다. CNR/SNR, 미세석회 검출률 등 정량 품질지표로 파라미터를 객관적으로 튜닝할 필요가 있다.
수작업 파라미터 튜닝: 10여 개 파라미터가 영상별로 최적값이 다를 수 있다. 두께 보상·다중스케일 분해를 학습 기반(예: 두께 회귀, 대비강조용 U-Net)으로 대체하면 영상별 적응성과 유선 조직 보존을 동시에 개선할 여지가 있다(딥러닝 대안).

참고문헌¶

Peripheral equalization / thickness compensation: U. Bick et al., "Density correction of peripheral breast tissue on digital mammograms," RadioGraphics, 1996 — 외곽 두께 보상의 고전적 근거.

K. He, J. Sun, X. Tang, "Guided Image Filtering," ECCV 2010 / IEEE TPAMI 2013. 본 파이프라인의 global·regional 계층 분해에 사용된 edge-preserving 평활 필터. ↩
P. J. Burt, E. H. Adelson, "The Laplacian Pyramid as a Compact Image Code," IEEE Trans. Communications, 1983. detail 계층의 다중스케일 증폭에 사용. ↩