Wave CAIPI 영상의 평균 g인자 빠른 계산 방법

초록

Wave‑CAIPI는 3차원 MRI 가속 기법으로 g‑인자 분포를 균일하게 하여 높은 가속도에서도 이미지 품질 저하를 최소화한다. 그러나 최적 파라미터 탐색을 위해 평균 g‑인자를 계산하는 기존 방법은 연산량이 많아 실시간 적용이 어렵다. 본 논문은 임의 위치(예: 중심)의 g‑인자를 정확히 계산한 뒤, 테일러 1차 근사를 이용해 전체 평균 g‑인자를 추정하는 새로운 빠른 계산 방식을 제안한다. 실험 결과, 제안 방법은 기존 이론적 계산법보다 평균 1000배, 전통적인 의사 복제(pseudo‑multiple‑replica) 방법보다 1700배 빠르면서도 동일한 정확도를 보였다.

상세 분석

Wave‑CAIPI는 기존 CAIPI(Controlled Aliasing in Parallel Imaging)와 달리 k‑space에 파동형( wave ) 위상을 부여해 3차원 샘플링을 효율화한다. 이 위상 변조는 coil sensitivity와 결합되어 aliasing 에너지의 분산을 촉진하고, 결과적으로 g‑인자(g‑factor) 맵을 평탄화한다. g‑인자는 병렬 영상 복원 과정에서 발생하는 잡음 증폭을 정량화하는 지표이며, 평균 g‑인자는 전체 이미지 품질과 직접 연관된다. 기존에 평균 g‑인자를 구하기 위해서는 전체 이미지에 대해 복원 연산을 반복하거나, 다수의 가상 복제 데이터를 생성해 통계적으로 추정하는 의사 복제 방법을 사용한다. 이러한 방법은 행렬 연산의 복잡도와 복제 횟수에 따라 수십 분에서 수시간까지 소요될 수 있어 파라미터 최적화 루프에 적용하기엔 비현실적이다.

본 논문은 평균 g‑인자를 근사하는 새로운 접근법을 제시한다. 핵심 아이디어는 전체 평균을 직접 계산하는 대신, 이미지 중앙과 같이 대표성이 높은 한 점에서의 g‑인자를 정확히 구하고, 이를 주변 영역에 대한 1차 테일러 전개로 확장한다는 것이다. 구체적으로, 먼저 시스템 매트릭스 A와 코일 민감도 행렬 S를 이용해 특정 위치 p에서의 g‑인자 g(p)를 정밀하게 계산한다. 그 다음, g‑인자 함수 g(x) 를 p 주변에서 1차 테일러 전개 g(x)≈g(p)+∇g(p)·(x−p) 로 근사한다. 여기서 ∇g(p) 는 수치 미분을 통해 얻으며, 전체 이미지 영역에 대해 평균을 취하면 평균 g‑인자 Ĝ≈g(p)+ (1/N)∑∇g(p)·(x−p) 가 된다. 실제 구현에서는 ∇g(p)·(x−p) 항이 평균값에 거의 기여하지 않음이 확인되어, 단순히 g(p) 를 평균값으로 사용해도 오차가 1% 이하로 작다.

실험 설계는 두 단계로 나뉜다. 첫 번째는 시뮬레이션 데이터에서 다양한 가속도(R=4~12)와 파라미터(위상 주기, 샘플링 패턴)를 적용해 제안 방법과 기존 이론적 계산, 의사 복제 방법 간의 g‑인자 값을 비교한다. 두 번째는 실제 인체 뇌 MRI 데이터를 이용해 계산 속도와 정밀도를 검증한다. 결과는 제안 방법이 평균 g‑인자를 0.02 이하의 절대 오차로 기존 방법과 일치함을 보여준다. 동시에 계산 시간은 MATLAB 환경에서 이론적 방법이 평균 45 s, 의사 복제 방법이 78 s를 소요한 반면, 제안 방법은 0.04 s에 불과했다. 이는 약 1000배·1700배의 속도 향상에 해당한다.

이러한 결과는 Wave‑CAIPI 파라미터 최적화 과정에서 실시간 피드백을 가능하게 하며, 임상 현장에서 고가속 3D MRI 프로토콜을 설계할 때 큰 이점을 제공한다. 또한, 테일러 1차 근사의 정확성은 g‑인자 맵이 비교적 평탄하고 변동이 적은 Wave‑CAIPI 특성에 기인한다는 점에서, 다른 병렬 영상 기법에도 적용 가능성을 시사한다. 향후 연구에서는 2차 이상 고차 테일러 전개나 머신러닝 기반 보정 모델을 도입해 더욱 복잡한 시나리오(예: 비균일 코일 배열, 비정형 샘플링)에서도 동일한 속도·정밀도 균형을 유지할 수 있을지 탐색할 필요가 있다.