In this paper, we propose various reconstruction methods of medical images through a deep learning method using an artificial neural network. The various medical images discussed here include computed tomography images and magnetic resonance images. The greatest problem with the computed tomography technique is the radiation exposure to the subject. Because the amount of exposure is directly related to the safety of the subject, various studies are actively under way to reduce these levels. Among the various research methodologies, there are sparse-view imaging techniques and interior tomography techniques. The sparse-view imaging technique refers to a means of reducing the amount of exposure by intermittently measuring a reduced number of X-ray images. If a tomography image is reconstructed using this rarely acquired X-ray image, strong streaking artifacts are generated in the reconstructed image. Another method of reducing the exposure dose, the interior tomography technique, requires the localization of the x-ray imaging area to reduce exposure. If a tomography image is reconstructed using an interior X-ray image acquired by this technique, strong cupping artifacts are generated in the reconstructed image. Therefore, here an algorithm is devised to remove these streaking artifacts and cupping artifacts generated by the sparse-view CT technique and the interior tomography technique, respectively, using an artificial neural network.
With other medical images, the most serious problem with magnetic resonance imaging is that the recording time is longer. Subjects should maintain a fixed posture during the recording time in magnetic resonance imaging, which takes a few minutes to a few tens of minutes. If a subject is unable to maintain a fixed posture and moves, motion-induced noise will occur in the MRI image. In order to solve this problem, various studies are underway to develop a robust magnetic resonance imaging method or to shorten the scanning time to minimize the motion of the subject. A robust magnetic resonance imaging technique is radial trajectory imaging. The radial trajectory imaging technique shares the same mathematical theory as the sparse-view CT technique mentioned above. Therefore, the sparse-view reconstruction technique as part of the computed tomography reconstruction method is extended and applied to the reconstruction of the magnetic resonance image along the radial trajectory. A means of shortening the scanning time can be achieved by reducing the data to be acquired. Although acquisition data of magnetic resonance imaging is acquired in the frequency domain, most artificial neural network studies focus on the imaging domain. Therefore, we devised an artificial neural network that directly interpolates the frequency domain by applying an artificial neural network in the actually acquired frequency domain rather than in the existing image domain.
이 논문에서는 인공 신경망을 이용한 심층 학습법을 통하여 다양한 의료 영상의 복원 기법을 제안한다. 다양한 의료 영상으로써는 크게 전산화 단층 촬영과 자기 공명 영상을 다룬다. 전산화 단층 촬영 기법의 가장 큰 문제점은 피실험자가 받게 되는 피폭이다. 피폭량은 직접적으로 피실험자의 안전과 직결되기 때문에 이를 줄이기 위한 다양한 연구가 활발히 진행중이다. 다양한 연구 방법론 중, 희소뷰 촬영 기법과 내부 단층 촬영 기법이 있다. 희소뷰 촬영 기법은 촬영되는 엑스레이 영상의 수를 줄여 간헐적으로 촬영함으로써 피폭량을 줄이는 방법이다. 이렇게 희소하게 획득된 엑스레이 영상을 이용하여 단층 영상을 복원한다면 복원 영상내에 강한 선형 잡음이 발생하게 된다. 피폭량을 줄이는 다른 방법인, 내부 단층 촬영 기법은 엑스레이 촬영 영역을 국소화 하여 피폭량을 줄이는 방법이다. 이렇게 내부 영역만 획득된 엑스레이 영상을 이용하여 단층 영상을 복원한다면 복원 영상내에 강한 컵형 잡음이 발생하게 된다. 따라서, 본 연구는 희소뷰 촬영 기법과 내부 단층 촬영 기법에서 발생하는 각각의 선형 잡음과 컵형 잡음을 인공 신경망을 이용해 제거하는 알고리듬을 고안하였다.
다른 의료 영상으로써, 자기 공명 영상의 가장 큰 문제점은 촬영 시간이 오래 걸린다는 것이다. 짧게는 수 분에서 길게는 수십 분이 걸리는 자기 공명 영상의 촬영 시간동안 피실험자는 고정된 자세를 유지해야 한다. 만약 고정된 자세를 유지하지 못하여 피실험자가 움직이게 된다면, 자기 공명 영상에 움직임으로 인한 잡음이 발생하게 된다. 이를 해결하기 위해, 움직임에 강건한 자기 공명 영상 촬영 방법을 개발하거나, 촬영 시간을 단축함으로써 피실험자의 움직임을 최소화하는 다양한 연구가 진행되고 있다. 움직임에 강건한 자기 공명 영상 촬영 방법으로는 방사형 궤도 촬영 기법이 있다. 방사형 궤도 촬영 기법은 앞서 말한 전산화 단층 촬영 기법과 동일한 수학적 이론을 공유한다. 따라서, 전산화 단층 촬영 영상 복원 기법 중 희소뷰 복원 기법을 확장하여 방사형 궤도에서의 자기 공명 영상 복원에 적용하였다. 촬영 시간을 단축하기 위한 방법은 획득하는 데이터를 줄임으로써 성취될 수 있다. 자기 공명 영상의 획득 데이터를 주파수 도메인에서 획득되지만, 대부분의 인공 신경망을 이용한 연구들은 단순히 영상 도메인에서 수행이 되었다. 따라서, 본 연구를 기존의 영상 도메인이 아닌, 실제로 획득된 주파수 도메인에서 인공 신경망을 적용함으로써 주파수 도메인을 직접 보간하는 인공 신경망을 고안하였다.
