The bipolar multi-echo gradient recalled echo (bmGRE) imaging collects multi-echo signals in a single TR. The bmGRE has several bipolar issues from the gradient switching and the opposite gradient polarities which prevent accurate water-fat separation. The proposed methods eliminate the bipolar issues in two ways.
First, the water-fat separation is performed separately for each gradient polarity, and the results of the positive and negative gradient polarities are combined after the water-fat separation. To reduce the imaging time, the data is subsampled at every echo time and every gradient polarity, and the images are reconstruct-ed from the subsampled data using the low-rank property of the bipolar acquisition.
Second, water-fat separated images were obtained using the neural network. A convolutional neural network (CNN) was designed and trained using the relationship between multi-echo images from the bmGRE and artifact-free water-fat separated images. The artifact-free water-fat separated images for training the CNN were obtained from multiple echo-time signals using iterative decomposition of water and fat with echo asymmetry and the least-squares estimation method, where multiple signals at different echo times were acquired using a single-echo gradient recalled echo sequence. Also, we propose a data augmentation method using a synthetic field for multi-echo signals including the bipolar issues, to prevent overfitting of the network and to increase the separation accuracy of the CNN. In addition, the network became more ro-bust to various cases of field inhomogeneity thanks to the data augmentation.
The phantom and in-vivo experiments were conducted using the unipolar multi-echo GRE, the bmGRE and the Soliman’s and the proposed methods. Experimental results demonstrate that the proposed method is able to obtain accurate water and fat images without bipolar issues, in shorter imaging time. Also, we trained the CNN using in-vivo knee images and tested it using in-vivo knee, head, and ankle images. In-vivo imag-ing results showed that the proposed CNN could separate water-fat images accurately. The proposed data augmentation method could prevent overfitting even with a limited number of training data, and made the method robust to magnetic field inhomogeneities.
In the study, a new water-fat separation method using the interleaved bipolar acquisition was pro-posed to reduce the issues from the bipolar gradients with a short imaging time. Moreover, the low-rank property of the bipolar acquisition was defined and utilized to estimate the full data from the subsampled data. The proposed CNN could also separate water-fat images from the bmGRE.
물-지방 분리 기법은 자기공명영상장치에서 널리 이용되고 있는 기술로써, 불균질한 B0, B1 자장에서도 안정적으로 작동한다는 장점이 있다. 물-지방 분리 기법은 두 물질의 공명주파수의 차이를 이용하여, 각기 다른 에코시간에서 획득한 영상 사이의 위상차로부터 물과 지방 영상을 분리해 낸다. 한 TR 내에서 여러 에코시간에서 신호를 획득하는 방법은 단극 획득과 양극 획득 기법으로 나눌 수 있다. 양극 획득은 빠른 획득 시간, 높은 SNR, 고해상도, 높은 분리 안정성 등의 장점을 가지고 있지만, 자장의 큰 변화와 자장 위상의 변화로부터 발생하는 문제점 때문에 널리 이용되고 있지 못하고 있다.
제안하는 기법에서는 2개의 접근 방법으로 이를 해결하여 효율적으로 양극 획득을 이용하는 것을 목표로 한다. 첫번째 접근 방법에서는 양극 획득의 문제점을 극복하기 위해 인터리브드 양극 획득 촬영 기법을 활용한다. 이로부터 모든 에코 시간에서 양방향의 경사 자계를 이용한 신호를 획득할 수 있다. 이는 촬영 시간을 증가시키기 때문에 이를 완화하기 위해 각 신호를 부표본 추출해낸다. 적게 획득된 신호를 복원하여서 물-지방 분리에 사용되는 데, 이 과정에서 양극 획득 기법이 가지는 저계수 특성을 이용한다. 팬텀 및 사람 촬영에서 제안하는 기법이 빠른 촬영 시간 내에 정확하게 물과 지방을 분리해 내는 것을 확인 할 수 있었다.
두번째 접근 방법으로는 기계 학습을 이용하여 영상 열화를 극복하고자 한다. 제안하는 네트워크는 양극 획득의 문제점을 가지고 있는 다중 에코 신호와 정확한 물-지방 영상의 관계를 학습한다. 물-지방 분리 기법은 이론상으로 넓은 학습 수용 영역을 가지지 않아도 효율적으로 네트워크를 학습시킬 수 있기 때문에, 제안하는 기법에서는 콘볼루션 신경망 구조를 이용하여 학습을 진행하였다. 부족한 데이터를 늘이기 위해 다중 에코 신호 데이터의 증가 기법 또한 제안하였다. 다중 에코 신호 데이터의 증가 기법에서는 일반 영상을 희미하게 만들어 인공적인 B0 필드를 생성해 내고, 이로부터 기존의 데이터의 메인 자장을 조정하여, 다중 에코 신호를 추가적으로 생성해 낸다. 이는 제안하는 기법에서의 인공 신경망이 보다 다양한 자장에서 안정적으로 물과 지방을 분리해 낼 수 있게 해준다. 제안하는 기법은 사람 촬영에서 제안하는 기법이 빠른 촬영 시간 내에 정확하게 물과 지방을 분리해 내는 것을 확인 할 수 있었다. 제안하는 인공 신경망은 무릎 데이터를 이용하여 학습하였지만, 머리 및 발목 등 다른 신체 영역에서도 효율적으로 물과 지방을 분리해 내는 것 또한 확인하였다.
제안하는 기법을 통하여 다중 양극 획득 경사자계 회복 에코 촬영 기법을 이용하여 효율적으로 물과 지방을 분리해 낼 수 있었다. 제안하는 기법은 물-지방 분리 기법과 다중 양극 획득 경사자계 회복 에코 촬영 기법이 임상 촬영 분야에서 널리 사용 되고 있다는 것을 고려할 때, 자기공명영상 장치를 이용한 다양한 분야에서 유용하게 활용 될 수 있을 것으로 예상된다.
