RAW → DCM 복원¶

센서 RAW에서 임상 표시용 DCM 수준의 영상을 복원하는 과업(파이프라인 시나리오 C)이다. 마스킹·강도 선형화·대비 강화·톤 매핑이 모두 동원되는 가장 긴 경로이며, 정답(임상 DCM)이 있어 SSIM/PSNR로 직접 채점할 수 있다.

RAW와 DCM은 강도가 역상관(≈ −0.97)이므로, 단순 반전만으로는 임상 영상이 되지 않는다. 강도를 두께에 선형인 도메인으로 되돌린 뒤, 다중 스케일로 미세구조를 강조하고 비선형 톤 매핑으로 표시 영상을 만든다.

graph LR
  R[RAW] --> S[유방 마스킹]
  S --> L[강도 선형화]
  L --> P[경계 두께 보정]
  P --> E[다중 스케일 강화]
  E --> T[비선형 톤 매핑]
  T --> O[표시 영상 / DCM 출력]

1. 강도 선형화 — 두 가지 전략¶

RAW 강도를 "두께·밀도에 비례하는" 값으로 되돌리는 단계다. 실측에서 효과가 좋았던 두 전략이 있다.

전략 A — 로그 반전 정규화¶

log 후 실제 min/max 기준으로 반전·정규화한다. 구현이 단순하고 calcification 같은 고휘도 미세구조를 보존하기 위해 상위 백분위(99.9%)로 상한을 잡는다.

log_inversion.py

def apply_log_transform(raw_img, breast_mask):
    out = np.zeros_like(raw_img, dtype=np.float64)
    pixels = np.clip(raw_img[breast_mask], 1, None)
    log_pixels = np.log(pixels)
    inverted = log_pixels.max() - log_pixels        # 반전
    inv_min, inv_max = inverted.min(), np.percentile(inverted, 99.9)
    out[breast_mask] = np.clip((inverted - inv_min) / (inv_max - inv_min), 0, 1)
    return out

전략 B — Beer–Lambert 로그 선형화¶

물리 모델을 명시적으로 가정한다. 입사 강도 \(I_0\)에 대해 감쇠 신호는

\[ S = \log\!\left(\frac{I_0}{I}\right) \]

로 경로 적분 감쇠(≈ 조직 두께·밀도)에 비례한다. \(I_0\)는 영상에 직접 없으므로 배경(공기) 영역에서 추정한다: 배경을 Otsu로 분리해 그리드 샘플링한 뒤 2차 다항식으로 \(I_0\) 맵을 피팅한다. 다항식 외삽이 음수·발산하지 않도록 조직 중앙값으로 하한 클리핑한다(입사 광자 수는 물리적으로 양수).

beer_lambert.py

def estimate_illumination_map(raw_array, degree=2, grid_size=100):
    # 배경 Otsu 분리 → 그리드(95퍼센타일) 샘플링 → 2차 다항식 lstsq 피팅
    # i0_map = np.clip(i0_map, a_min=조직_중앙값, a_max=None)  # 외삽 발산 방어
    ...

def apply_log_linearization(raw_array, i0_map):
    ratio = np.clip(i0_map, 1, None) / np.clip(raw_array, 1, None)
    linearized = np.clip(np.log(ratio), 0, None)
    return (linearized / linearized.max() * 65535).astype(np.uint16)

전략 B는 \(I_0\)·두께 같은 해석 가능한 중간 산물을 남기는 장점이 있으나, 배경이 충분히 보이는 영상에서만 안정적이다(유방이 시야를 크게 채우면 외삽 의존도가 커진다).

2. 경계 두께 보정 — halo 방지 (핵심 교훈)¶

유방 경계부는 조직이 얇아 신호가 약하다. 전역 균일 강화를 적용하면 경계부가 과도하게 밝아지는 halo가 생기며, 특히 지방형 유방(fatty breast)에서 두드러진다. 전역 강화로는 풀리지 않고, 경계의 얇은 두께를 명시적으로 다루는 국소 적응 보정이 필요하다. 실측에서 서로 다른 두 보정이 모두 효과적이었다.

보정 1 — 밀도 적응형 경계 평활화¶

국소 평균(두께 대용)으로 나눠 경계 밝기를 보정하되, 유방 밀도에 따라 보정 강도를 자동 조절한다. 로그 도메인에서 dense=높은값/fatty=낮은값이므로 평균 밝기가 낮은(fatty) 영상일수록 강도를 줄여 halo를 억제한다.

adaptive_peripheral_eq.py

def peripheral_equalization_adaptive(log_img, breast_mask, base_strength=1.0):
    # density 추정: 정규화된 평균 밝기
    lv = log_img[breast_mask]
    mean_brightness = ((lv - lv.min()) / (lv.max() - lv.min() + 1e-6)).mean()
    strength = base_strength * np.clip(mean_brightness, 0.05, 0.6)  # fatty면 작아짐
    # eq = log / local_mean (정규화 후), 그 다음 strength로 원본과 blend
    ...
    output[breast_mask] = strength * eq[breast_mask] + (1 - strength) * log_norm[breast_mask]
    return output

보정 2 — Wedge 보상 선형화¶

두께 구배 맵을 추정해 얇은 외곽 영역만 선택적으로 상향 보정한다. 핵심은 두께 맵 추정 시 정규화 컨볼루션(normalized convolution) 으로 배경을 외삽하지 않는 것 — 배경 외삽이 곧 halo의 원인이기 때문이다.

wedge_compensation.py

def compensate_peripheral_thickness(processed_raw, mask, radius_wedge=300):
    thickness_map = _estimate_thickness_map(img_f, mask, radius=radius_wedge)  # 외삽 없음
    t_ref = np.percentile(img_f[mask > 0], 90)
    correction = np.clip(thickness_map - t_ref, None, 0.0)   # 기준보다 얇은 곳만
    return np.clip(img_f - correction, 0.0, None)

교훈: 출발점이 다른 두 복원 접근이 독립적으로 같은 결론에 도달했다 — 경계 halo는 mammography RAW 강화의 핵심 함정이며, 두께를 인지하는 국소 적응 보정으로만 해소된다.

3. 다중 스케일 강화 + 톤 매핑¶

선형화·보정된 신호에서 미세구조를 강조한다. Laplacian Pyramid 또는 Guided Filter 다단 분해로 저주파(두께)·중주파(조직)·고주파(미세구조)를 분리해 고주파에 큰 이득을 준 뒤, 거리 기반 피부/실질 톤 매핑이나 Black Point → Gamma → CLAHE blend로 임상 DCM 특유의 톤 곡선을 근사한다. 최종 결과는 DERIVED DICOM으로 패키징한다.

정량 비교 (37 영상 쌍)¶

학습형(U-Net)과 고전 LP 계열의 벤치마크. 모든 지표는 마스크 내부·공동 동적 범위에서 계산했다.

파이프라인	핵심	SSIM	PSNR (dB)	MAE
v1_LP (baseline)	FFT + band-pass LP	0.3203	6.25	0.4997
v1_LP_opt	LP gain 최적화	0.3284	6.58	0.4805
v2_UNet	AttentionUNet, MS-SSIM	0.7571	20.20	0.0834
v3_UNet	v2 + Dropout + early stop	0.6265	19.36	0.0858
true_LP	옥타브 분해 LP	0.3402	6.92	0.4612

학습형이 고전 LP를 압도: v2_UNet은 SSIM +0.44, PSNR +13.6 dB. 벤더 표시 변환은 단순 대비 강화로 재현되지 않는 비선형·공간 적응적 매핑을 포함한다.
히스토그램 매칭은 역상관 유발: 매칭 기반 파이프라인은 10개 중 9개 폴더에서 음수 SSIM. 단일 영상 튜닝이 다른 영상에서 무너지는 전형적 실패.
소규모 데이터에서 과정규화는 해롭다: v3(Dropout)가 v2보다 0.13 낮음.
옥타브 분해 이점 미미: true_LP ≈ band-pass 근사. 이 데이터에서는 band-pass LP로 충분.

트레이드오프 — 미세석회화 vs SSIM¶

디테일 증폭(CLAHE clip↑ / LP gain↑)을 강하게 줄수록 미세석회화 delineation은 좋아지나 노이즈도 증폭되어 참조 일치도(SSIM)는 하락한다. "보기 좋음"과 "정답과의 일치"가 항상 같은 방향은 아니므로, 디스플레이용 경로와 모델 입력용 경로를 분리한다.