Motions in MRI cause motion artifacts in MR images. Since motion artifacts degrade image qualities and hinder an accurate diagnosis, the artifacts are subject to be corrected. However, previous conventional motion correction methods have a lot of limitations for real-world applications. To overcome these issues, in this paper, we propose a motion correction method using deep learning. Especially, in brain MRI, it is clinically common to apply a multi-contrast imaging. Motivated by this environment, we compose a neural network to correct motion artifacts in a single contrast image with helps of motion-less images from other contrasts. In results, the multi-contrast motion correction network called $MC^2$-Net outperforms other single-contrast motion correction networks and multi-contrast imputation network for both simulated data and in-vivo data.
자기공명영상에서 움직임은 영상 왜곡을 발생시킨다. 움직임 왜곡은 영상의 질을 저하하고 정확한 진단에 방해요소가 되기 때문에 움직임 보정을 통해 제거할 필요성이 있다. 하지만 기존의 움직임 보정 방식들은 여러 한계로 인해 실제 적용에 어려움을 겪는다. 이에 이 논문에서는 딥 러닝을 활용한 움직임 보정 방법을 제안한다. 특히 뇌 자기공명영상에서 다중 대조도 촬영을 하는 것에서 착안하여, 다중 대조도 영상 중 움직임 왜곡이 발생한 영상을 움직임 왜곡이 없는 다른 영상들과 함께 움직임 보정을 하도록 신경망을 구성하였다. 결론적으로 제안하는 다중 대조도 움직임 보정 신경망, 즉 $MC^2$-Net은 단일 대조도 움직임 보정 기법들과 다중 대조도 영상 합성 기법들과 비교해 좋은 결과를 보였고, 실제 움직임을 보정하는데 성공하였다.
