Synthetic Aperture Radar (SAR) images are affected by noise called speckle, which is very severe and may hinder image exploitation. Despeckling is an important task that aims to remove such noise so as to improve the accuracy of all downstream image processing tasks. Many different schemes have been proposed for the restoration of SAR images. Among the different possible approaches, methods based on convolutional neural networks(CNNs) have recently shown to reach state-of-the-art performance for SAR image restoration. DnCNN(DeNoising Convolutional Neural Network) is one of the most widely used neural network architecture embedded in baseline SAR image despeckling methods. In military applications of SAR satellite image, fast processing is the most critical factor except the precision rate of the recognition. In this paper, we propose an improved DnCNN architecture for faster SAR image despeckling. The experimental results on real-world SAR images show that our proposed method takes faster processing time than the original DnCNN architecture without despeckling performance downgrade. Subjective visual inspection demonstrates that the proposed method has great potential in preserving the image signal details and suppressing speckle noise.

요통을 호소하는 환자에서의 자기공명영상 검사는 다른 영상 진단법에 비해 요추와 주변 조직에 대한 높은 대조도와 해상력, 다양한 영상면의 획득으로 해부학적 구조 파악과 다양한 척추 질환의 진단에 널리 활용되고 있다. 그러나 자기공명 영상 검사는 검사 시간이 길기 때문에 통증으로 협조가 되지 않는 환자들에게서 움직임에 의한 인공물을 유발하는 경우가 많아 검사 시간을 최소화하는 것이 중요하다. 이에 자기공명영상 검사 시간 단축을 위한 다양한 기법들이 개발되어 왔으며, 최근 높은 영상의 질을 유지하면서 검사 시간은 크게 줄이는 K-공간 기반 딥 러닝(K-space based Deep Learning, DL) 기법이 주목받고 있다. 본 연구는 요추 자기공명영상 검사에서 DL 기법의 유용성을 알아보기 위해 본원을 내원하여 척추 질환이 의심되는 환자를 대상으로 DL 기법 적용 전후 시상면 T2 강조 영상과 축상면 T2 강조 영상을 각각 획득하였으며, 신호대잡음비와 대조대잡음비, 영상 획득 시간, 전체적인 영상의 질 및 병변 진단 일치도를 비교 분석하였다. 연구 결과 영상의 질 향상과 검사 시간의 단축뿐만 아니라 빠른 영상 획득으로 움직임이나 호흡에 의한 인공물 또한 감소하는 것을 볼 수 있었다. 따라서 자기공명영상 검사에서 DL 기법 사용 시 진단적 가치가 보다 높은 영상을 제공하는 동시에 환자의 만족도를 높여 임상에서도 유용한 방법이 될 것으로 사료된다.