멀티모달 딥러닝을 활용한 T2W MRI 고속 재구성

초록

본 논문은 T2 가중 이미지(T2W)와 FLAIR 영상을 동시에 입력으로 활용하는 멀티모달 Dense U‑Net을 제안한다. k‑space를 4배 압축한 맞춤형 서브샘플링 마스크와 결합해, 기존 방법 대비 높은 SSIM(≈0.94)과 낮은 MSE를 달성하면서 재구성 시간을 크게 단축한다.

상세 분석

이 연구는 다발성 경화증 환자의 병변 시각화를 목표로, T2W와 FLAIR 두 가지 MR 모달리티를 동시에 이용한 딥러닝 기반 재구성 프레임워크를 설계하였다. 핵심 아이디어는 (1) k‑space의 저주파 영역을 중심으로 80% 샘플을 유지하고, 나머지 20%를 고주파 영역에 고르게 배치한 맞춤형 정적 서브샘플링 마스크를 도입해 정보 손실을 최소화하고, (2) U‑Net 구조에 Dense Block을 삽입한 ‘Multimodal Dense U‑Net’으로 두 입력을 별도 컨볼루션 경로에서 전처리한 뒤, 중간 단계에서 피처를 병합하여 고해상도 T2W 이미지를 복원한다.
마스크 설계는 기존의 중앙 집중형 마스크와 비교해 고주파 성분을 보존함으로써 세부 구조와 병변 경계의 재현성을 크게 향상시켰으며, 실험 결과 SSIM이 0.71→0.86으로 상승했다. 네트워크는 각 레이어에 배치 정규화와 ELU 활성화를 적용하고, 성장률을 0으로 고정한 Dense Block을 5단계 사용해 파라미터 수를 억제하면서도 깊은 피처 학습을 가능하게 했다. 손실 함수는 MSE와 DSSIM을 가중합으로 설정해 픽셀 단위 오차와 구조적 유사성을 동시에 최소화하였다.
학습은 30명의 환자 데이터(총 150쌍의 T2W‑sub와 FLAIR)로 진행했으며, Adam 옵티마이저와 80 epoch, 조기 종료를 적용해 평균 15분의 epoch 시간을 기록했다. 결과적으로 제안 모델은 기존 Dense U‑Net 대비 SSIM 0.86→0.94, MSE 감소를 보였으며, 4배 가속화된 k‑space 샘플링에도 불구하고 병변 영역을 선명히 복원했다. 한계점으로는 데이터셋 규모가 작고, 4배 압축 이상에서는 성능 저하가 관찰되지 않았으며, 실시간 임상 적용을 위한 하드웨어 최적화가 추가로 필요하다. 향후 연구에서는 압축 비율을 10배까지 확대하고, 3D 볼륨 재구성 및 전이 학습을 통한 일반화 능력 향상을 목표로 한다.