Multiple information can be acquired for the same anatomical structures in Magnetic Resonance Imaging (MRI). Such protocol is termed multiple acquisition, and numerous types of multiple acquisition are possible for specialized purposes. Slice encoding for metal artifact correction (SEMAC) acquires multiple information along z-phase direction, which is later combined for the suppression of metal artifacts along through-plane direction. In routine clinical scans, multi-contrast imaging acquires different information of same anatomy including FLAIR, proton density-, T2-, and T1-weighted contrasts. In multiple phase-cycling balanced steady-state free precession (bSSFP), bSSFP datasets are acquired at multiple phase cycling angles and combined to reconstruct banding artifact-free images. Multiple acquisition in MRI is commonly done, but such acquisition schemes increase scan time. Shortening the scan time, known as the acceleration, has been a widely acknowledged field of study in MRI. Recent development of deep learning has opened new chapters to great achievements in MRI acceleration.
This dissertation focuses on acceleration of multiple acquisition MRI protocols mentioned above by using deep learning. Specifically, acceleration of SEMAC was done by using data with lowered amount of z-phase encoding steps, SEMAC factor, to produce high SEMAC factor data. The technique could effectively lower the scan time of SEMAC. Acceleration of multi-contrast and bSSFP data was done through undersampling strategy called varying dimension to produce improved reconstruction quality. The results revealed that varying the undersampled dimension of multiple acquisition data is advantageous over maintaining the dimension. Finally, simultaneous optimization of sampling pattern as well as reconstruction through deep learning is proposed for improving acceleration of multi-contrast imaging. The results showed the advantage of simultaneously optimizing the sampling pattern for joint reconstruction of different contrasts over single contrast optimization and multi-contrast scheme without sampling optimization. Specific sampling behaviors were also investigated for the multi-contrast vs single contrast for sampling optimization.
자기공명영상은 동일한 해부학적 구조를 촬영할 시에 다중의 정보 획득이 가능하다. 이를 다중 획득 이라 칭하며, 현재 다양한 다중 획득 기법을 사용하여 특정 목적에 따라 촬영이 이루어지고 있다. 그 예로 금속 왜곡현상 완화를 위한 슬라이스 인코딩 기법 (SEMAC), 다중 대조도 영상 기법, 그리고 다중 위상 사이클링을 이용한 항정상태자유세차기법(bSSFP) 기법 등이 있다.
다중 획득 기법은 일반적으로 사용되고 있지만, 이로 인하여 촬영 시간이 늘어나는 단점이 있다. 따라서 촬영 시간 단축, 즉 고속화를 위한 연구가 활발히 진행되고 있으며, 딥러닝을 통한 고속화 분야가 두각을 드러내고 있다.
본 학위논문에서는 딥러닝을 통하여 다중 획득 기법을 고속화 하는 데에 중점을 둔다. 첫번째로, 다중 획득 기법을 딥러닝을 통해 고속화 하는 방식을 제안하며, 그 효과를 SEMAC 영상에서 확인하였다. 두번째로, 다중 획득 기법을 딥러닝을 통해 복원 할시에, 다중 영상 간의 위상부호화 방향을 다르게 하여 고속화 하는 방식을 제안하며, 다중 대조도와 bSSFP 영상을 통해 그 효과를 확인하였다. 마지막으로, 다중 획득 기법 고속화와 다운샘플링의 샘플링 최적화를 동시에 진행하는 고속화 방식을 제안하며, 그 효과를 다중 대조도 영상을 통해 확인하였다.
