기술분야

본 발명은 다중 코일 MRI 영상의 재구성 기술에 관한 것으로, 보다 구체적으로는 언더샘플링된 k-공간 데이터로부터 고품질의 MRI 영상을 복원하기 위해, 반복 마스킹 방식의 자기 지도 학습을 적용한 딥러닝 기반의 MRI 영상 재구성 기술에 관한 것이다.

해결하려는 과제

본 발명은 다중 코일 MRI 영상의 언더샘플링된 k-공간 데이터를 활용하여 고품질의 영상을 안정적으로 복원할수 있는 학습 구조를 구현하는 데 그 목적이 있다. 이를 위해, 제한된 측정 데이터를 최대한 활용하면서도 훈련 과정에서 모델이 특정 주파수 영역이나 위치 정보에 과도하게 의존하지 않도록 유도하며, 반복적인 학습을 통해 다양한 주파수 성분에 대한 일반화된 표현을 습득할 수 있는 메커니즘을 제공하고자 한다.

또한, 외부의 완전 샘플 데이터나 별도의 참조 없이도 스캔별로 특화된 복원이 가능하도록 하고, 복원 과정에서의 불안정한 수렴이나 성능 편차 없이 신뢰도 높은 결과를 도출할 수 있는 학습 환경을 구현하는 것을 목표로한다. 이를 통해, 고속 MRI 환경에서도 아티팩트 억제와 미세 구조의 보존이 균형 있게 달성되도록 하며, 실제임상 적용이 가능한 수준의 성능과 효율성을 확보하고자 한다.

한편, 본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

발명의 효과

본 발명에 따른 MRI 영상 재구성 방법은 획득된 k-공간 데이터를 분할 없이 전량 활용하고, 반복 학습 과정에서 무작위 마스킹 기법을 결합함으로써 자기 지도 학습 환경에서도 안정적이고 정확한 복원이 가능하도록 한다. 이를 통해 네트워크가 특정 위치나 주파수 대역에 편중되지 않고 전체 영역에 걸쳐 균형 있는 학습을 수행할 수 있으며, 고속화 비율이 높은 상황에서도 잔류 아티팩트 없이 세밀한 구조를 복원할 수 있는 고해상도 영상을 획득할 수 있다.

또한 반복적인 마스킹과 데이터 정합 적용을 통해 모델이 점진적으로 고주파 성분을 효과적으로 학습할 수 있도록 유도하므로, 미세 병변이나 경계 구조와 같은 중요 디테일이 잘 보존된 영상을 얻는 데 기여한다. 이러한 복원 품질 향상은 진단 정확도의 제고로 이어지며, 별도의 참조 데이터 없이도 새로운 스캔 조건에 적응 가능한 높은 일반화 성능을 제공함으로써 임상 현장에서의 활용 가능성을 높일 수 있다.

한편, 본 발명에 의한 효과는 이상에서 언급한 것들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.