MRI has gained an importance in clinical imaging and medical research because of its ability (i) to produce high resolution images with various tissue contrasts and (ii) to visualize physiological information. However, acquisitions of multi-contrast images need a long scan time, and MRI sequences sometimes require repetitive scans due to low signal-to-noise ratio or artifacts. Therefore, acceleration of MRI scan has been of importance in the MRI community.
The research goal of this dissertation is to improve the efficiency of MRI scan and thus to reduce MRI scan time using machine learning. Machine learning is a method to learn problem solving by automatically extracting hierarchical feature representations from large-scale data. Information from multiple images can be integrated in the feature spaces, potentially providing better image quality. We propose three machine learning approaches that improve MRI images by integrating multiple datasets.
First, machine learning algorithms are proposed to suppress banding artifacts, typically detected in the fast MRI sequence called “balanced steady state free precession (bSSFP)”, using fewer phase cycled (PC) bSSFP datasets than previously used. The results showed superior performance over the conventional methods. Second, machine learning algorithms are proposed to produce arterial spin labeling (ASL) perfusion images with fewer data acquisitions than previously used. ASL suffers from inherently low SNR, but the proposed method could quantify cerebral blood flow accurately with a shorter scan time. Lastly, machine learnings are proposed to reconstruct high-resolution MR images by incorporating another image acquired with a different sequence. The proposed methods produced better MR images from data with different phase cycles, data with different time points, and the down-sampled data. Machine learning algorithms could be successfully implemented to improve MR image quantitatively and qualitatively in various MRI techniques, therefore, they can be a good strategy for accelerating MR imaging that combines multiple datasets.
자기공명영상기법은 다양한 조직 대조도 정보를 획득할 수 있어 임상에서 널리 사용되고 있지만, 특성상 촬영 시간이 긴 단점이 있다. 따라서 다양한 해부학적 정보 또는 기능적 정보를 짧은 촬영 시간 안에 획득할 수 기술을 개발하기 위한 노력들이 많이 있었다. 본 학위논문에서는 영상의 질을 향상시키기 위한 목적으로 또는 다양한 조직 대조도 정보를 획득하기 위한 목적으로 여러 번의 촬영을 시행해야하는 경우, 적은 수의 데이터 획득만으로도 고화질의 영상을 획득할 수 있는 기계학습 기법들을 소개한다. 첫째로 항정상태자유세차기법에서 특징적으로 발생하는 띠 인공물을 기존의 기법보다 더 효과적으로 제거하는 기계학습 방법을 소개한다. 두번째로 동맥스핀라벨링 기법에서 적은 수의 데이터 획득만으로도 뇌혈류량을 정확히 측정할 수 있는 기계학습 방법을 소개한다. 마지막으로 다른 대조도의 고해상도 영상을 이용해서 저해상도의 영상을 고해상도로 효과적으로 복원시킬 수 있는 기계학습 방법을 소개한다. 본 연구에서는 적은 수의 데이터 획득만으로도 고화질의 자기공명 영상을 생성할 수 있는 기계학습 방법들을 개발하였으며, 이 기법들이 자기공명영상기법의 촬영 가속화에 유용하게 사용될 수 있다는 가능성을 증명하였다.
