압축 센싱을 데이터 기반 학습으로 임상 적용하기

본 논문은 MRI 압축 센싱(Compressed Sensing, CS)의 임상 전이 과정에서 마주치는 주요 장애물—핸드‑크래프트 이미지 사전, 파라미터 민감도, 그리고 장시간 재구성—을 데이터‑드리븐 학습으로 해결하는 방법을 체계적으로 제시한다. 서론에서는 CS가 k‑space 샘플링을 크게 감소시켜 스캔 시간을 단축하고, 고해상도·고시간 해상도 영상을 가능하게 함을 강조한다. 특히 다차원(4D 흐름, 동적 대비 강화 등) MRI에서 10배 이상의 가속이 가능해 임상적 가치를 크게 높일 수 있음을 사례(A, B 그림)로 보여준다. 그러나 현재 상용 CS는 정규화 파라미터 λ 를 수동으로 조정해야 하며, λ 가 과도하면 세밀 구조가 소실되고, 부족하면 노이즈가 증폭되는 트레이드오프가 존재한다. 또한, 웨이블릿·TV·로우‑랭크 등 사전 정의된 변환이 텍스처 아티팩트를 유발하고, 반복 최적화(50~1000회)로 인해 재구성 시간이 수분에서 수시간까지 크게 변동한다는 점이 임상 적용을 저해한다. 이러한 문제를 해결하기 위해 저자들은 전통적 CS 최적화 문제 \