3D 전역 MRF 재구성을 위한 단계적 사전학습과 암시적 그리딩

초록

본 논문은 비카르테시안 3차원 MRF 데이터를 빠르고 정확하게 복원하기 위해, 암시적 GROG 기반 데이터 일관성 모듈과 3단계 사전학습 전략을 결합한 완전 3D 언롤드 프레임워크인 SPUR‑iG를 제안한다. iGROG는 학습된 커널로 비카르테시안 데이터를 카르테시안 격자에 효율적으로 매핑하여 FFT 기반 연산으로 전환하고, 단계적 사전학습(디노이저 사전학습 → 그리디 언롤드 학습 → 전체 언롤드 미세조정)으로 메모리와 연산 부담을 크게 낮춘다. 대규모 인‑비보 데이터셋에서 1 mm 등방성 해상도의 전뇌 재구성을 15 초 이내에 수행하며, 기존 LLR 및 2D/3D 하이브리드 모델 대비 정량적 정확도와 이미지 품질이 크게 향상됨을 보였다.

상세 분석

SPUR‑iG는 MRF 재구성의 두 핵심 병목을 동시에 해결한다. 첫째, 비카르테시안 k‑space 데이터를 직접 NUFFT로 처리하면 연산량이 기하급수적으로 증가하는데, 저자들은 iGROG(implicit GRAPPA‑like GRidding)를 도입해 인코드된 신경망 커널을 이용해 데이터를 카르테시안 격자에 매핑한다. 이 과정은 calibration 영역에서 25 초 이내에 학습되며, 이후 그리딩은 3 초 내에 완료돼 FFT 기반 데이터 일관성(DC) 업데이트를 가능하게 한다. 오버샘플링 비율 1.5와 코일당 5개의 k‑space 포인트를 사용해 품질 저하 없이 높은 속도를 유지한다.

둘째, 완전 3D 언롤드 네트워크는 메모리 요구량이 급증한다는 점이다. 이를 극복하기 위해 저자들은 세 단계의 점진적 학습 전략을 설계했다. 초기 단계에서는 다양한 아티팩트 수준(Zero‑filled, 다양한 LLR 재구성)과 강도 변화를 포함한 데이터에 대해 3D UNet을 사전학습한다. 여기서 FiLM 기반의 iteration conditioning을 적용해 각 언롤드 단계마다 다른 파라미터를 동적으로 조정하도록 한다. 두 번째 단계인 GLEAM‑style greedy 학습에서는 각 언롤드 반복마다 그래프를 분리해 메모리 사용을 반복 횟수만큼 감소시키면서, 후반 단계에 더 큰 손실 가중치를 부여해 최종 출력 품질을 강조한다. 마지막 단계에서는 전체 언롤드 그래프를 gradient checkpointing으로 감싸 미세조정을 수행한다. 이 과정은 전체 파이프라인을 15 초 이내에 실행할 수 있게 하면서도, 3D UNet이 volumetric 특성을 충분히 학습하도록 보장한다.

실험에서는 45개의 인‑비보 뇌 MRF 데이터를 30 초2 분의 다양한 가속률로 후처리했으며, SPUR‑iG는 LLR 대비 T1/T2 정량 정확도가 평균 510 % 향상되고, 시각적 품질에서도 잡음과 블러가 현저히 감소했다. 특히 30 초 스캔에서 얻은 T1 값이 2 분 LLR 결과와 동등하거나 더 우수한 결과를 보였으며, 전체 파라미터 매핑 파이프라인이 111배 가속된 것으로 보고되었다. 또한, 다른 스캐너 벤더의 OOD 데이터에서도 견고한 성능을 유지해 일반화 가능성을 입증했다.

이러한 설계는 고해상도 3D MRF를 임상 및 연구 현장에서 실시간에 가깝게 활용할 수 있는 기반을 제공한다는 점에서 큰 의미가 있다.