Metal artifacts caused by metallic implants present a significant challenge in accurate diagnosis using MRI. While various techniques have been developed to mitigate these artifacts, their clinical utility is often limited due to long scan times. Among these techniques, Slice Encoding for Metal Artifact Correction (SEMAC) has gained popularity. In this thesis, we propose an artificial neural network approach to accelerate SEMAC, enabling the suppression of metal artifacts in a shorter scan time without compromising image quality. Building upon previous work on jointly optimizing sampling patterns in MRI reconstruction (J-MoDL), we effectively address metal artifacts by simultaneously optimizing multi-contrast MRI and multi-dimensional sampling patterns. By optimizing sampling positions on both in-plane and SEMAC dimensions, we achieve promising results in fast MRI with enhanced metal artifact correction. Our experiments on patients with degenerative spinal diseases, known for severe metal artifacts, demonstrate the model’s exceptional performance in correcting metal artifacts quantitatively and perceptually. Furthermore, we establish the balanced reconstruction quality across multi-contrast MR images by employing a different denoiser named XNet.
본 연구는 자기 공명 영상 내의 금속 왜곡 현상 완화의 시간을 단축시키기 위한 방법을 제시한다. 금속 인공물로 인한 왜곡 현상을 완화하기 위하여 다양한 기술들이 개발되었지만, 장시간의 스캔 시간으로 인해 임상적으로 활용이 제한되기도 한다. 이러한 기술 중 하나인 Slice Encoding for Metal Artifact Correction (SEMAC) 영상 촬영을 가속화하기 위해 인공 신경망 접근 방식을 제안하며, 이미지의 품질을 저하시키지 않으면서 금속 왜곡 현상을 짧은 스캔시간 내로 감소할 수 있게끔 한다. MRI 복원과 샘플링 패턴을 공동으로 최적화하는 이전 연구 (J-MoDL) 를 기반으로, 다중 대비 MRI를 이용하여 다중 차원의 샘플링 패턴을 최적화함으로써 금속 왜곡 현상을 효과적으로 해결한다. 다중 대비 MRI 이미지의 k-space 상의 위상 인코딩 샘플링 위치와 SEMAC의 추가 차원의 샘플링 위치를 동시에 학습함으로써 더욱 고속화된 금속 왜곡 현상 완화가 가능하다. 본 연구의 실험은 심한 금속 왜곡 현상을 발생시키는 금속 보정물을 가진 퇴행성 척추 질환 환자를 대상으로 하였으며, 제안한 방법으로 정량적, 정성적으로 금속 왜곡 현상을 효과적으로 완화하는 것이 가능함을 확인하였다. 또한 XNet 디노이저를 제안함으로써 다중 대비 MRI 간의 균형잡힌 이미지 복원이 가능하도록 하였다.
