Magnetization transfer contrast (MTC) and chemical exchange saturation transfer (CEST) are molecular MRI techniques that provide functional information of semisolid macromolecules and mobile solute molecules such as metabolites, proteins, and peptides. To overcome the low sensitivity due to their low population, the repeated RF saturation of target protons results in a decrease of water signal through magnetization transfer, thereby allowing the indirect assessment with improved sensitivity. However, the contrast based on ratio of the signal reduction is highly dependent on scan parameters and water tissue-relaxation effects. We introduced magnetic resonance fingerprinting (MRF) technique that estimates multiple tissue parameter simultaneously for tissue quantification. Unique signal profiles, so called fingerprints, were obtained by pseudo-randomly varying the imaging parameters for each scan and used to estimate multiple tissue parameters. The quantification accuracy highly depends on the design of the MRF acquisition schedule. Thus, we proposed a learning-based optimization framework to accelerate data acquisition and improve quantification accuracy. The acquisition parameters were updated towards minimizing the loss function that directly calculated tissue quantification errors through neural network. Therefore, the proposed method improved parametric reconstruction quality compared to conventional optimization techniques that used indirect objective functions.
In addition, we proposed B$_0$ and B$_1$ inhomogeneity correction method to compensate the inhomogeneity-induced artifacts and errors. Especially, since the B$_1$ inhomogeneity changes RF saturation power, B$_1$ errors in MTC- and CEST-MRF containing repeated RF irradiation would impair the tissue quantification. The proposed method calibrated the scan parameters using the measured B$_0$ and B$_1$ maps in dynamic scan-wise manner, which allowed accurate tissue parameter mapping. We further developed the correction technique to correct the B$_0$ errors without the additional B$_0$ map, which even reduced the scan time. We demonstrated that the proposed approach could correctly estimate MTC and CEST tissue parameters, even with severe B$_0$ and B$_1$ inhomogeneities.
자화전이와 화학교환포화전이는 분자 자기공명영상 기법으로 고분자 혹은 대사물질의 정보를 제공한다. 해당 물질은 물에 비해 매우 적은 농도로 분포하고 있어 신호의 감도가 극히 낮다. 이를 극복하기 위해 연속적인 라디오 주파수를 특정 화합물에 가해 자화를 포화시키고 포화된 자화가 물로 전이되는 매커니즘을 활용하여, 물의 신호에서 간접적으로 특정 화합물의 정보를 파악한다. 최근의 연구들은 라디오 주파수 방사를 통해 물의 자화가 얼마나 줄어들었는지를 비율로 측정해 분석한다. 하지만 이와 같은 정성적 방법은 촬영 변수와 물의 이완효과에 영향을 받는 단점이 있다. 이를 위해 본 논문에서는 자기공명지문을 이용해 자화전이와 화학교환포화전이 정량화 기법을 사용한다. 자기공명지문 기법은 매 스캔마다 촬영 변수를 바꾸어 신호를 획득하여 조직마다 고유한 일련의 신호, 즉 자기공명지문을 구성한다. 촬영 변수 구성에 따라 자기공명지문 정량화 정확도가 달라지기 때문에, 본 논문에서는 딥러닝을 활용한 자기공명지문 촬영 변수 최적화 방법을 제안한다. 인공신경망을 활용하여 직접적으로 자화전이 및 화학교환포화전이 정량화 오류를 측정하고 역전달하여 촬영 변수를 갱신한다. 반복적으로 갱신하여 얻은 최적화된 촬영 변수 구성은 자기공명지문 정량화 오류를 최소화한다. 정량화 오류가 아닌 간접적인 목적 함수를 구성한 기존의 최적화 방법 대비 낮은 정량화 오류를 보였다.
또한, 자기공명영상을 촬영하며 나타나는 자장불균질성을 교정하기 위해 B$_0$ 및 B$_1$ 불균질성 교정 기법을 제안한다. 특히, B$_1$ 불균질성은 라디오 주파수의 세기를 변화시키기 때문에 연속적인 라디오 주파수를 사용하는 자화전이 및 화학교환포화전이 영상을 변화시키고 정량화 결과를 크게 왜곡한다. 제안하는 방법은 실험적으로 얻은 B$_0$ 및 B$_1$ 영상을 활용하여 자기공명지문 촬영 변수를 보정하고 인공신경망을 이용하여 정확한 정량화 결과를 도출한다. 더 나아가, 추가적인 B$_0$ 영상 없이 왜곡을 보정할 수 있는 방법을 제안하였다. 극심한 B$_0$ 및 B$_1$ 오류가 존재해도 정확한 정량화 결과를 획득하는 것을 확인하였다.
