The presence of missing values in data is a big problem in many real world applications. If any of the input data are missing, this often introduces large amounts of bias. This paper proposes some imputation methods for missing values on MR acceleration and synthetic MRI applications using machine learning. First, the theory and implementation of the missing k-space data imputation based on the compressed sensing are introduced. The deep learning technique for missing k-space data imputation and missing image imputation are explained. The proposed image imputation method was demonstrated not only medical imaging data but also on image imputation tasks for natural image datasets such as facial expression images and various illumination images. I hope that this will help researchers with different backgrounds to solve their missing data problems.
데이터에 누락 된 값이 존재하면, 실제 많은 응용 분야에서 큰 문제가 된다. 입력 데이터의 누락으로 결과 값에 많은 양의 편향이 발생하기 때문이다. 본 논문에서는 기계 학습을 이용한 MR 가속 및 합성 MRI 분야에서 누락 값에 대한 대체 방법을 제안한다. 첫째, 압축 센싱 방식에 기반한 누락 된 k-space 데이터 대체의 구조 이론 및 구현이 소개된다. 이후, 누락 된 k-space 데이터 대체 및 누락 된 이미지 대체에 적용하기 위해 제안한 딥 러닝 기술을 설명한다. 누락 된 이미지 대체 방법의 일반적이 성능 확인을 보여주기 위해, 얼굴 표정 변경 및 조명 변경 등 자연이미지에 적용한 결과 또한 보였다. 다른 배경을 가진 연구자들이 본인의 누락 된 데이터 문제를 해결하는 데 도움이 되기를 바란다.