딥러닝의 발전으로 인해 의료 영상 처리는 임상 연구를 지원하기 위해 널리 사용되고 있습니다. 본 논문은 딥러닝을 활용하여 저선량 컴퓨터 단층 촬영 (low-dose computed tomography) 의 노이즈 제거 문제를 다룹니다. 저선량 컴퓨터 단층 촬영은 환자의 방사선 노출을 줄이지만, 더 많은 노이즈를 생성하여 의사의 시각적 해석에 간섭을 일으키고 진단 결과를 영향을 줄 수 있습니다. 이 문제를 해결하기 위해 사이클-GAN (Cycle-GAN) 을 위한 무감독 학습에서 영감을 받아, 본 논문은 엔드 투 엔드 (end-to-end) 무감독 저선량 컴퓨터 단층 촬영 노이즈 제거 프레임워크를 제안합니다. 제안된 프레임워크는 다중 스케일 특징 추출을 위한 U-Net 구조, 특징 융합을 위한 주의 메커니즘 (attention mechanism), 그리고 특징 변환을 위한 잔여 네트워크 (residual network) 를 결합하고 있습니다. 또한 의료 이미지의 특성을 개선하기 위해 감각 손실 (perceptual loss) 을 도입했습니다. 또한, 우리는 실제 저선량 컴퓨터 단층 촬영 데이터셋을 구축하고 이미지 기반 평가 지표 및 의학 평가 기준을 사용하여 제안된 방법을 검증하기 위한 많은 비교 실험을 설계했습니다. 고전적인 방법과 비교하여 본 논문의 주요 이점은 실제 임상 데이터가 감독 학습에 직접적으로 사용될 수 있는 한계를 해결하면서도 우수한 성능을 달성한다는 점입니다. 실험 결과는 영상 의사가 전문적으로 평가했으며 임상적 필요성을 충족했습니다.