We proposed a new correction method scheme for Nyquist ghost artifacts and susceptibility induced artifacts in Echo Planar Imaging (EPI) using a neural network with unsupervised learning. The overall scheme is composed of two parts: the first part is for Nyquist ghost artifact correction and the other is for susceptibility induced artifact correction. Each part uses an individual neural network. First, the Nyquist ghost artifact correction neural network estimates the phase error in k-space of obtained EPI scans by using a ghost generation function and correlation coefficient loss. The ghost generation function uses the obtained EPI scan and estimated phase error as inputs and gives Nyquist ghost corrected image as outputs. Two distorted images obtained with dual-polarity phase-encoding gradients are the inputs of the first neural network, producing two Nyquist ghost corrected images. The second neural network takes in the two output images from the previous neural network. The second neural network is trained with an unsupervised learning method that minimizes the L1 loss between the two input images of opposite polarities, which corresponds to finding the frequency-shift map. Then an MR image generation function utilizes the trained neural network and Nyquist ghost corrected images of opposite polarities to obtain the susceptibility induced artifact corrected images. We proved that the neural network trained without MR data successfully corrects the distortion of in-vivo MR data acquired with EPI with dual-polarity phase-encoding gradient.
이 논문에서는 비지도 학습 인공 신경망을 이용하여 에코 플래너 이미지에서 나이퀴스트 고스트와 자화율로 인한 왜곡 보정 방법에 대해서 제안했다. 나이퀴스트 고스트 보정 네트워크와 자화율로 인한 왜곡 보정 방법 네트워크를 각각 제안했다. 먼저, 나이퀴스트 고스트 왜곡 보정 네트워크는 고스트 함수와 상관 계수 손실 함수를 사용하여 EPI 영상에서 k-space의 위상 오류를 추정한다. 고스트 함수는 EPI 영상과 추정된 위상 오류를 입력으로 받아서 나이퀴스트 고스트가 보정된 이미지를 출력해준다. 나이퀴스트 고스트가 보정된 이미지를 이용하여, 제한한 네트워크와 MR 영상 생성 함수를 이용하여 최종적으로 자화율로 인한 왜곡이 보정된 영상을 얻게 된다. MR 영상 생성 함수는 자화율로 인한 왜곡이 있는 영상 2장과 네트워크로 예측된 주파수 변화 영상을 이용하여 최종적으로 왜곡이 보정된 이미지를 출력해 준다. 이 때, 자화율로 인한 왜곡이 있는 2장의 영상은 위상 인코딩 방향으로 각각 양극과 음극의 경사자장을 걸어줘서 얻은 것이다. 인공 신경망은 비지도 학습을 통해서 왜곡이 있는 입력 영상과 추정된 왜곡 영상 사이의 L1 손실 함수를 줄이도록 학습되었다. 이 논문에서는 실제로 자기공명영상으로 얻은 영상으로 인공 신경망을 학습시키지 않아도 성공적으로 왜곡 보정이 가능한 것을 보여준다.
