One of the fundamental problems in MR image is its slow acquisition time compared to other imaging modalities. Several approaches have been proposed to accelerate MRI, and nowadays deep learning has been showing great promises in this area. However, since k-space line contains different information, which line to acquire (or sampling pattern) plays an important role in MRI reconstruction. Previous works focused on jointly optimizing the sampling pattern and reconstruction network or active sampling. In this work, we propose a novel strategy for determining sampling patterns, named Progressive Sampling Pattern Network (PSP-Net), which progressively optimize subject-common and subject-specific sampling patterns to improve the reconstruction performance with time efficiency.
자기공명영상의 근본적인 문제 중 하나는 다른 영상 촬영 기법에 비해 획득 시간이 느리다는 것이다. 자기공명영상을 가속화하기 위해 많은 연구들이 진행되었고, 최근에는 딥러닝이 좋은 성능을 보이고 있다. 한편, k-space 각 라인은 서로 다른 정보를 포함하고 있기 때문에, 어떤 위치의 라인을 얻을지(또는 샘플링 패턴)가 자기공명영상 재구성에 중요한 역할을 한다. 기존의 연구들은 샘플링 패턴과 재구성 네트워크를 동시에 최적화하는 방법이나, 활성 샘플링 방법에 집중했다. 본 연구에서는 효율적인 시간으로 재구성 성능을 높이기 위해 단계적으로 공통 및 개별 샘플링 패턴을 최적화하는 PSP-Net(단계적 샘플링 패턴 네트워크)이라는 새로운 샘플링 패턴 결정 방법을 제안한다.
