Quantitative susceptibility mapping (QSM) can be obtained by the dipole inversion, but the zero values in the conical surfaces of the dipole kernel make the inversion ill-posed. Various methods have been proposed to overcome this limitation, but the time consuming due to the acquisition of additional data, the streaking artifact in the reconstructed QSM, or the difficulty of hyper-parameter tuning are limitations of conventional methods. Many deep learning methods for QSM reconstruction have also been investigated, but most of the existing deep learning methods are based on supervised learning that requires matching pairs of phase images and QSM labels. Unfortunately, QSM label acquisition takes a long time, so it is difficult to use supervised learning for QSM reconstruction in practice. In this paper, we propose a novel unsupervised deep learning method for QSM reconstruction using physics-based cycleGAN. We confirm that the proposed method outperforms conventional methods and shows results comparable to supervised learning.
정량적 자기 민감도 영상은 쌍극자 역전을 통해 획득할 수 있지만, 쌍극자 커널의 원뿔면 상에 존재하는 영값들로 인해 불완전한 획득이 이루어진다. 이러한 문제를 해결하기 위해 다양한 방법들이 제시되었지만, 추가 데이터 획득으로 인한 시간 소요, 복원된 정량적 자기 민감도 영상의 스트리킹 잡음, 하이퍼-파라미터 결정의 어려움 등이 기존 방법들의 한계점으로 존재한다. 정량적 자기 민감도 영상의 복원을 위한 딥러닝 기반의 방법들도 많이 연구되었지만, 대부분의 딥러닝 방법들은 지도 학습 기반으로 위상 영상과 목표 정량적 자기 민감도 영상의 대응 쌍이 필요하다. 목표 정량적 자기 민감도 영상의 획득은 오랜 시간이 걸리기 때문에 실제 상황에서 정량적 자기 민감도 영상 복원을 위해 지도 학습 방법을 사용하기는 어렵다. 본 논문에서는 물리 기반 순환 생성적 적대 신경망을 이용하여 새로운 비지도 심층 학습 기반의 정량적 자기 공명 영상 복원 방법을 제시하였다.
본 논문에서 제시한 방법은 기존 방법들을 능가하였으며, 지도 학습 기반의 방법들에 견줄만한 결과를 보여주었다.
