금속 인공물 인식 샘플링과 보정 강화학습 기반 가속 MRI

초록

**
본 논문은 금속 임플란트로 인한 MRI 아티팩트를 동시에 감소시키고, 스캔 시간을 단축시키기 위해 금속‑인식 k‑space 샘플링 정책과 U‑Net 기반 MAR 네트워크를 공동 최적화하는 강화학습 프레임워크 MASC를 제안한다. 물리 기반 시뮬레이션으로 만든 금속‑유무 쌍 데이터셋을 활용해 감독 학습이 가능하도록 하였으며, PPO 에이전트가 단계별로 k‑space 라인을 선택하도록 설계하였다. 실험 결과, 기존의 고정 샘플링 혹은 별도 MAR 모델 대비 재구성 품질이 크게 향상되고, FastMRI 데이터셋에서도 일반화가 입증되었다.

**

상세 분석

**
MASC는 두 가지 핵심 요소를 결합한다. 첫 번째는 금속‑특화 강화학습 에이전트이다. 에이전트는 현재의 부분 재구성 이미지와 획득 마스크를 입력으로 받아, 남은 k‑space 라인 중 하나를 선택한다. 보상은 선택 전후의 이미지 품질 향상, 즉 SSIM과 NMSE를 가중합한 Q‑함수 차이로 정의되며, 이는 금속 아티팩트가 감소된 정도를 직접 반영한다. PPO 기반 정책 최적화는 클리핑과 GAE를 사용해 안정적인 학습을 보장한다. 두 번째는 U‑Net 구조의 MAR 네트워크이다. 이 네트워크는 residual learning 방식을 채택해 입력 이미지에 대한 아티팩트 보정만을 학습한다. 초기 단계에서는 L1 + SSIM 손실로 금속‑없는 정답 이미지와 금속‑오염 이미지 쌍을 이용해 사전 학습하고, 이후 공동 학습 단계에서는 MSE 손실로 미세 조정한다.

데이터 구축 과정도 중요한 기여이다. AutoPET CT 데이터를 기반으로 TotalSegmentator를 이용해 다중 조직 맵을 생성하고, 이를 3 T TSE 시퀀스 시뮬레이터에 입력해 금속 임플란트를 삽입한다. 결과적으로 각 금속‑오염 이미지에 정확히 일치하는 금속‑없는 ‘클린’ 이미지가 제공되며, 이는 강화학습 보상 계산과 MAR 네트워크 감독에 모두 사용된다.

학습 절차는 두 단계로 나뉜다. Stage 1에서는 MAR 네트워크만을 독립적으로 학습시켜 금속 아티팩트를 효과적으로 제거하도록 만든다. Stage 2에서는 에이전트와 MAR 네트워크를 동시에 업데이트한다. 에이전트는 MAR‑보정된 이미지를 관찰해 다음 라인을 선택하고, 선택된 라인에 따라 새로운 부분 재구성이 생성된다. 이렇게 순환적인 피드백 루프가 형성되어, 에이전트는 MAR 네트워크가 가장 효과적으로 작동할 수 있는 k‑space 패턴을 스스로 탐색한다.

실험에서는 전통적인 균등 샘플링, Variable Density, 그리고 기존 강화학습 기반 샘플링(예: Deep MRI‑RL)과 비교했다. 모든 경우에서 MASC는 SSIM ≈ 0.92, NMSE ≈ 0.03 수준의 우수한 재구성 품질을 달성했으며, 특히 금속 주변의 스트리킹과 신호 소실이 크게 감소했다. FastMRI 무릎 데이터에 물리 기반 금속 아티팩트를 추가해 교차 검증했을 때도 성능 저하가 미미해 실제 임상 환경에서도 적용 가능함을 보여준다.

또한, 정책이 학습된 후에는 추론 단계에서 에이전트와 MAR 네트워크를 고정해 빠른 실행이 가능하다. 전체 파이프라인은 GPU 하나당 0.8 초 내외의 추론 시간을 기록했으며, 이는 기존 전통적 가속 MRI 프로토콜과 비교해 실시간 임상 적용에 충분히 근접한다.

한계점으로는 시뮬레이션 기반 데이터에 의존한다는 점과, 현재는 2D 슬라이스 단위 학습에 머물러 3D 연속성 확보가 필요하다는 점을 들 수 있다. 향후 실제 금속 임플란트를 가진 환자 데이터를 활용한 검증과 3D‑RL 정책 확장이 기대된다.

**