병렬 MRI 재구성을 위한 딥러닝 기법 개관

이 논문은 병렬 MRI 가속을 위한 딥러닝 기반 재구성 방법들을 포괄적으로 정리한다. 서론에서는 MRI가 다른 영상 modality에 비해 본질적으로 느린 데이터 획득 속도를 가지고 있어, 스캔 시간 단축이 임상적 중요 과제임을 강조한다. 병렬 영상(parallel imaging)은 다중 코일 배열을 이용해 공간 인코딩을 보강함으로써, 기존 SENSE, GRAPPA, SPIRiT 등 다양한 전통적 방법을 탄생시켰다. 첫 번째 섹션에서는 다중 코일 신호 모델을 수식으로 제시하고, 이미지 도메인과 k‑space 도메인에서의 전통적 병렬 영상 흐름을 도식화한다. 이미지 도메인에서는 SENSE가 코일 감도 맵을 사전 계산하고, 역푸리에 변환 후 별칭을 제거하는 과정을 거친다. 이때 CG‑SENSE와 같은 반복 최적화가 필요하며, 잡음 억제를 위해 조기 종료(early stopping)나 정규화 항을 추가한다. k‑space 도메인에서는 GRAPPA가 선형 이동 불변 커널을 학습해 누락된 라인을 보간한다. SPIRiT은 자기 일관성(self‑consistency) 원리를 도입해, 모든 코일의 k‑space 데이터를 동시에 고려하는 선형 커널을 사용한다. 두 번째 섹션에서는 비선형 정규화와 압축 센싱(compressed sensing) 기법을 소개한다. ℓ₁ 기반 스파스 정규화, Total Variation, Wavelet 변환 등은 무작위 샘플링과 결합해 별칭을 무작위 잡음처럼 만들고, 이를 최적화 문제(데이터 피델리티 + 정규화)로 풀어 재구성한다. Total Generalized Variation(TGV)와 같은 고차 정규화는 이미지 경계 보존에 유리하며, 저차원 저랭크 모델은 동적 MRI에 적용된다. 핵심은 딥러닝을 이용한 정규화와 보간의 최신 연구이다. 이미지 도메인에서는 U‑Net, Residual Dense Net, GAN 등을 활용해, 전통적 ℓ₁ 정규화 대신 학습된 비선형 사전(prior)을 적용한다. 이러한 네트워크는 데이터 일관성 항을 손실 함수에 포함시켜, 물리적 제약을 위배하지 않으면서도 높은 재구성 품질을 달성한다. k‑space 도메인에서는 복소수 CNN, K‑space U‑Net, 그리고 변분 베이즈 프레임워크와 결합된 딥러닝 보간기가 제안된다. 이들은 GRAPPA의 선형 커널을 대체하거나 확장해, 코일 간 상관관계와 비선형 패턴을 효과적으로 학습한다. 또한, 자기 일관성 제약을 손실에 포함시켜 SPIRiT과 유사한 안정성을 제공한다. 데이터와 벤치마크에 관한 섹션에서는 현재 공개된 대규모 MRI 데이터셋(예: NYU FastMRI, Stanford MRI)와 그 한계를 논한다. 코일 감도 맵, A‑CS 영역, 다양한 가속 인자·샘플링 패턴을 포함한 메타데이터가 부족해, 연구 재현성과 일반화 평가에 제약이 있다. 저자는 향후 표준화된 데이터베이스 구축과, 공개된 코드·모델을 통한 공동 연구 환경 조성을 촉구한다. 마지막으로 남아있는 과제로는 (1) 멀티코일·멀티채널 데이터를 효율적으로 처리하는 경량 딥러닝 모델 설계, (2) 실시간 재구성을 위한 하드웨어 가속(예: FPGA, ASIC)과의 통합, (3) 다양한 임상 프로토콜에 대한 일반화와 도메인 적응, (4) 정규화와 데이터 일관성 사이의 최적 균형을 찾는 이론적 분석이 있다. 논문은 이러한 과제들을 정리하며, 딥러닝 기반 병렬 MRI 재구성이 임상 현장에 보편화되기 위해서는 알고리즘·데이터·인프라가 동시에 발전해야 함을 강조한다.