Even though anatomical MR imaging for diagnostic purposes has become more readily available, imaging body regions with metal transplants suffer from severe metal artifacts. Lu et al. introduced Slice Encoding for Metal Artifact Correction in MRI (SEMAC) to suppress metal artifacts using extra z-phase encoding steps (SEMAC factor) combining with the View-Angle-Tilting (VAT) technique developed by Cho, et al.[1, 2]. However, prolonged scan time for higher SEMAC factor imaging remains as the technique’s inherent problem. In our study, we introduce artificial neural network to accelerate SEMAC imaging to suppress metal artifacts in a shorter scan time with comparable image quality. Multilayer Perceptron (MLP) is one of the most commonly used artificial neural network architectures, through which a fully connected hidden layer maps input values into output values. MLP has proven to be useful for suppressing artifacts in MRI data [3]. For SEMAC technique, low and high SEMAC factor images were categorized into input and ground truth, respectively, and were trained with MLP, through which output images were produced and compared with label images. Normalized root mean square error (NRMSE) from the ground truth was quantified for the analysis of the tested images. MLP showed smaller NRMSE than that of the input partitions, a trend observable regardless of SEMAC factor. The reduction in NRMSE using MLP was statistically significant (p < 0.01), and the artifact suppressions were visibly significant for low input SEMAC factors. Our study introduces a new effective way to reduce the scan time necessary for imaging with high SEMAC factor while maintaining the comparable quality of metal artifact suppression.
본 연구는 자기 공명 영상 내의 금속 왜곡 현상 완화의 시간적 해상도를 인공신경망으로 감소시키는 방법을 제시한다. 이는, 슬라이스 인코딩을 이용해 금속 간섭 현상을 완화하는 시맥(SEMAC) 기법의 데이터를 인공신경망 (ANN) 인 다층퍼셉트론 (MLP) 망에 훈련 시키는 방법으로서, SEMAC factor를 높게 책정해서 얻은 데이터 일수록, 금속 왜곡 완화의 정도가 높다는 SEMAC 기법의 특성을 이용한다. 이 때, 데이터를 얻을 때 걸리는 시간은 factor에 따라 선형적으로 증가한다. 따라서 본 연구에서는 낮은 factor 의 SEMAC 데이터를 훈련 데이터, 높은 factor의 데이터를 라벨로 설정해 MLP 내에서 훈련시켜, 낮은 factor 의 데이터만으로 높은 factor 데이터의 품질을 가진 영상을 얻는 기법으로, 그 효과를 소개하고 검증한다. 표준화된 평균 제곱근 편차 (NRMSE) 분석에 의하면, MLP로 산출된 영상이 입력 데이터 영상보다 라벨 데이터 영상과의 차이가 더 적었으며, 이는 윌콕슨 순위합 검정을 통해, 통계적 유의성 또한 확인 되었다 (p<0.01). 결론적으로, 본 연구는 인공 신경망을 이용한 효과적인 금속 완화 기법으로, 기존의 금속 왜곡 현상 완화 기법 보다 시간적 해상도를 줄이는 방법임을 확인하였다.
