본 논문에서는 다중 모드 CT-PET 이미지 합성을 위한 이중 영역 등변환 생성적 적대 신경망(Dual-Domain Equivariant Generative Adversarial Network, DDE-GAN)을 제시합니다. 기존의 GAN 기반 접근 방식은 종종 공간 영역에서만 작동하며 기하학적 일관성을 무시하여 구조적 충실도가 제한적이었습니다. DDE-GAN은 공간 영역과 주파수(Fourier) 영역 양쪽 모두에서 공동으로 학습함으로써 상호 보완적인 해부학적 및 스펙트럼 정보를 포착하여 이러한 문제들을 해결합니다. 나아가, CT와 PET 측정의 물리학에 내재된 회전 등변환성(rotational equivariance)을 생성자(generator)와 판별자(discriminator) 모두의 손실 함수에 통합하여 회전에 따른 일관된 응답을 보장하고 해부학적 정확도를 향상시킵니다. 계층적 이중 영역 훈련 전략은 다단계 손실 함수를 통해 영역 내 및 영역 간 일관성을 강제합니다. HECKTOR 2022 CT-PET 데이터셋으로 평가한 결과, DDE-GAN은 CT-PET 이미지 합성에 있어 기준 모델 대비 우수한 합성 품질을 달성했습니다. 이 결과는 이중 영역 학습과 기하학적 등변환성의 결합이 다중 모드 이미지 합성의 정확도와 견고성을 크게 향상시키며, PET 완성 및 데이터 증강 분야에서 실질적인 응용을 가능하게 함을 입증합니다.