딥러닝 기반 ECCENTRIC 재구성으로 빠른 고해상도 뇌 대사 영상 구현

초록

본 연구는 7T MRI에서 비카르테시안 ECCENTRIC k‑space 샘플링을 이용한 전뇌 MRSI 데이터를 딥러닝으로 600배 가속 재구성하는 Deep‑ER 방법을 제시한다. 21명의 피험자를 학습에 사용하고 6명을 테스트했으며, 기존 TGV 기반 재구성 대비 SNR이 12‑45 % 향상되고 Cramer‑Rao 하한이 8‑50 % 감소하였다. 재구성 시간은 수초 수준으로 단축돼 임상·연구 워크플로우에 적합하다.

상세 분석

Deep‑ER은 비카르테시안 ECCENTRIC 궤적을 그대로 입력으로 받아, 초기 그리딩 단계에서 iNUFT를 이용해 Cartesian 격자에 매핑한 뒤 FFT로 전환한다. 핵심은 Interlacer 구조를 3차원으로 확장한 10개의 반복 레이어이며, 각 레이어는 이미지 공간과 k‑space 공간에서 별도 컨볼루션 블록을 수행한다. 이미지‑k‑space 간 특징 교환은 학습 가능한 가중치 α_i, β_i 로 구현된 선형 혼합 연산으로 이루어져, Fourier 변환 전후에 각각 적용된다. 이러한 이중 도메인 접근은 고차원 스펙트럴 정보를 보존하면서도 undersampling 아티팩트를 효과적으로 억제한다. 복소수 데이터를 실수·허수 채널로 분리해 처리함으로써 GPU 메모리 요구량을 최소화하고, 각 시간점(스펙트럼 포인트)을 독립적으로 재구성함으로써 물‑신호 기반 학습이 가능하도록 설계했다. 물‑신호는 빠른 TR(100 ms)로 고해상도 전부 샘플링되어 학습 라벨을 제공하고, 재구성된 물‑이미지는 구조 MRI와 직접 비교해 정량적 정확성을 검증한다. 네트워크 손실 함수는 MSE와 SSIM을 결합해 이미지 품질을 다중 기준으로 최적화했으며, 학습 과정에서 데이터 증강으로 다양한 가속 팩터(AF = 2‑4)와 잡음 수준을 포함시켜 일반화 능력을 강화했다. 결과적으로 Deep‑ER은 기존 TGV‑ER 대비 600배 빠른 재구성 속도를 달성했으며, SNR 향상과 CRLB 감소는 대사물 정량 정확도 향상으로 이어졌다. 특히 교차 검증에서 보인 높은 PSNR(>38 dB)과 낮은 NMSE(<0.02)는 스펙트럼 라인 형태 보존이 뛰어남을 시사한다. 임상 데이터에서는 교모세포성 뇌종양의 대사 이질성을 고해상도 메타볼라이트 맵으로 시각화했으며, 종양 경계와 주변 정상 조직 구분이 명확히 드러났다. 이러한 성능은 비카르테시안 압축감지 MRSI를 실시간 임상 진단에 적용할 수 있는 기반을 제공한다.