가속 MRI 이미지 품질 향상 및 아티팩트 동시 교정

초록

본 논문은 2D 뇌 해부학 영상을 대상으로, 언더샘플링으로 인한 시간 단축과 동시에 발생하는 잡음·운동 아티팩트를 복합적으로 보정하는 딥러닝 모델 USArt을 제안한다. 듀얼 서브모델 구조와 그래디언트 언더샘플링 전략을 활용해 최대 5배 가속에서도 신호대잡음비(SNR)와 대비를 크게 향상시켰으며, 실제 임상 환경에서도 강인한 복원 성능을 입증하였다.

상세 요약

USArt은 언더샘플링과 아티팩트 교정을 하나의 파이프라인에서 수행하도록 설계된 최초의 모델이다. 기존 연구들은 주로 k‑space 축소에 따른 재구성 품질 복원에 집중하거나, 별도로 잡음·운동에 의한 왜곡을 정규화하는 접근을 사용했지만, 두 문제를 동시에 다루지는 못했다. USArt은 이를 해결하기 위해 두 개의 서브모델을 병렬로 배치한다. 첫 번째 서브모델은 언더샘플링된 k‑space 데이터를 입력받아 고해상도 이미지의 기본 구조를 복원하고, 두 번째 서브모델은 복원된 이미지에 존재하는 잡음·운동 아티팩트를 탐지·제거한다. 두 서브모델은 공통적인 인코더‑디코더 기반 U‑Net 아키텍처를 공유하되, 각각의 손실 함수가 다르게 설계되어 있다. 구조 복원 단계에서는 L1 손실과 SSIM 손실을 결합해 전반적인 형태와 텍스처를 보존하도록 하고, 아티팩트 교정 단계에서는 고주파 성분을 강조하는 주파수 도메인 손실과 모션 모델링을 위한 시계열 일관성 손실을 추가한다.

데이터 전처리 측면에서 저자들은 2D 뇌 해부학 영상을 Cartesian 방식으로 수집한 후, 다양한 언더샘플링 패턴(정규격, 랜덤, 그래디언트)과 잡음 레벨, 모션 시뮬레이션을 적용해 복합적인 훈련 세트를 구성했다. 특히 그래디언트 언더샘플링은 k‑space 중심부는 고밀도로 유지하고 주변부를 점진적으로 감소시키는 방식으로, 중요한 저주파 정보를 보존하면서도 고주파 디테일을 효율적으로 복원하도록 돕는다. 실험 결과, 그래디언트 패턴이 다른 패턴에 비해 PSNR·SSIM·SNR 모두에서 평균 1.2~2.0 dB 정도 높은 성능을 보였으며, 5배 가속에서도 시각적으로 눈에 띄는 품질 저하가 없었다.

또한, USArt은 실제 임상 환경에서 흔히 발생하는 무작위 움직임과 전자기 잡음을 시뮬레이션한 테스트에서도 높은 복원 정확도를 유지했다. 이는 두 서브모델이 서로 보완적인 역할을 수행함으로써, 한 단계에서 놓칠 수 있는 미세한 아티팩트를 다른 단계에서 잡아내는 구조적 이점에 기인한다. 모델의 파라미터 수는 기존 단일 목적 모델과 비슷한 수준이지만, 멀티태스크 학습을 통해 학습 효율성을 확보했으며, 추론 시간도 실시간 임상 적용이 가능한 30~40ms 수준으로 유지된다.

한계점으로는 2D 단일 슬라이스에 국한된 설계와 Cartesian 샘플링 전용이라는 점이 있다. 향후 3D 볼륨 데이터와 비Cartesian(예: radial, spiral) 샘플링에 대한 확장이 필요하다. 또한, 훈련에 사용된 모션 시뮬레이션이 실제 환자 움직임을 완전히 대변하지 못할 가능성이 있어, 실제 임상 데이터를 통한 추가 검증이 요구된다. 전반적으로 USArt은 가속 MRI와 아티팩트 교정이라는 두 핵심 문제를 동시에 해결함으로써, 진단 정확도와 환자 편의성을 동시에 향상시킬 수 있는 실용적인 솔루션으로 평가된다.