Long imaging time is the most important prerequisite in MRI. Many research has been proposed to overcome this problem. Some studies obtain k-space data as fast as possible by using improved MR system, but they have physical and physiological limitation to accelerate highly. Parallel imaging techniques use multiple receiver coils to reduce k-space data, but their performance is rapidly degraded in high acceleration factor.
Meanwhile, MRI can offer images with various contrasts by controlling imaging parameters. Clinical diagnosis requires several examinations to present various characteristics of organs. Each image has different contrast, but images with different contrast have sharable information like structure information and coil geometry.
In this study, full k-space data are subsampled and parallel imaging techniques are applied according to the subsampling pattern. Each intermediate image with different contrast is divided into overlapping blocks and each voxel in the block is used as inputs for an artificial neural network (ANN) model. ANN is used to model between intermediate images with different contrast and reconstructed images. Moreover, coil geometry factor is additionally used to consider changing noise distribution in high acceleration factor.
The proposed method shows possibility in higher acceleration. ANN model plays a role of not a smoothing filter but an approximator to reduce noise, while maintaining details of the image. Various parallel imaging techniques can be combined with the proposed method. Not only magnitude-based applications but also phase-based applications can be applied.
긴 촬영 시간은 자기 공명영상에서 반드시 극복되어야 할 선결 과제이다. 촬영 시간을 줄이기 위한 다양한 방법들이 연구되었다. 초기 연구로, 하드웨어의 성능을 향상시켜 정해진 시간 내에 많은 양의 데이터를 얻는 방법들이 있었지만 가속비에는 한계가 있다. 그 이후 다수의 코일을 사용하여 얻어야 하는 데이터 자체를 줄이는 병렬 영상 기법들이 널리 연구 되었다. 그러나, 병렬 영산 기법들은 높은 가속비에서 영상의 질이 급격히 떨어진다는 단점이 있다.
한편, 자기공명영상은 여러 변수를 조절하여 다양한 대조비를 갖는 영상을 얻을 수 있고, 임상 진단 시 해당 부분에 대해 여러 대조비의 영상을 촬영하여 진단한다. 이 때 각각의 영상들은 다른 대조비를 갖지만, 유사한 구조 정보를 가진다. 또한, 같은 장비에서, 같은 코일에서 촬영 하였기 때문에, 여러 중복된 공유할만한 정보를 가지고 있다.
제안하는 방법은, 먼저 각각의 대조비를 갖는 영상들을 가속비 없이 얻는다. 완전한 데이터를subsample하고 해당subsample 패턴에 맞는 병렬 영상 기법을 적용하여 중간 영상을 만든다. 이 중간 영상들과 완전한 데이터로 복원된 영상간의 관계를 인공 신경망을 통해 학습한다. 이 때, 학습은 블락 단위로 처리하고, 여러 대조비 영상들이 상호 인공 신경망 모델의 입력 값으로 쓰인다. 또한, 병렬 영상 기법에서, 가속비에 따라 노이즈 분포자체도 영상에 걸쳐 바뀌게 된다. 노이즈 분포도 추가적으로 인공 신경망 모델에서 고려되었다.
제한하는 방법은, 단순한 저역 통과 필터 같은 스무딩 효과를 내는 것이 아니라, 영상의 세부 사항은 보존하면서 노이즈를 제거하는 역할을 수행하였다. 또한, 다양한 병렬 영상 기법과 결합되어 높은 가속비에서도 우수한 성능을 보였다. 그리고, 기본적인 뇌 프로토콜 뿐만 아니라, SWI 같은 위상 기반의 응용 분야에서도 사용 될 수 있음을 보였다.
