KR102322616B1 - Mri 스캐너 고유의 장치특성정보를 이용하는 변환 네트워크부를 포함하는 mri 데이터 변환장치 및 이를 이용한 mri 데이터 변환방법 - Google Patents

Mri 스캐너 고유의 장치특성정보를 이용하는 변환 네트워크부를 포함하는 mri 데이터 변환장치 및 이를 이용한 mri 데이터 변환방법 Download PDF

Info

Publication number
KR102322616B1
KR102322616B1 KR1020200019741A KR20200019741A KR102322616B1 KR 102322616 B1 KR102322616 B1 KR 102322616B1 KR 1020200019741 A KR1020200019741 A KR 1020200019741A KR 20200019741 A KR20200019741 A KR 20200019741A KR 102322616 B1 KR102322616 B1 KR 102322616B1
Authority
KR
South Korea
Prior art keywords
mri
mri data
data
transformation
parameter
Prior art date
Application number
KR1020200019741A
Other languages
English (en)
Other versions
KR20210105472A (ko
Inventor
이종호
정우진
Original Assignee
서울대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 서울대학교 산학협력단 filed Critical 서울대학교 산학협력단
Priority to KR1020200019741A priority Critical patent/KR102322616B1/ko
Publication of KR20210105472A publication Critical patent/KR20210105472A/ko
Application granted granted Critical
Publication of KR102322616B1 publication Critical patent/KR102322616B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/4818—MR characterised by data acquisition along a specific k-space trajectory or by the temporal order of k-space coverage, e.g. centric or segmented coverage of k-space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0454—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Signal Processing (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

MRI 스캐너가 출력한 MRI 데이터를 기초로 소정의 변환정보를 출력하는 변환 네트워크부를 포함하는 MRI 데이터 변환장치를 공개한다. 상기 변환 네트워크부에는, 상기 MRI 데이터 및 상기 MRI 스캐너의 장치특성에 관한 정보가 입력된다.

Description

MRI 스캐너 고유의 장치특성정보를 이용하는 변환 네트워크부를 포함하는 MRI 데이터 변환장치 및 이를 이용한 MRI 데이터 변환방법{An MRI data transforming device including an transforming network using information on device-dependent characteristics of an MRI scanner and an MRI data transforming method using the same}
본 발명은 MRI 스캐너가 출력한 MRI 데이터를 소정의 변환정보로 변환하는 변환 네트워크부를 포함하는 MRI 데이터 변환기술로서, 상기 변환 네트워크부를 학습시키는 방법 및 학습 완료된 상기 변환 네트워크부를 이용하여 MRI 데이터를 변환하는 방법에 관한 것이다.
도 1은 일 실시예에 따라 MRI 스캐너(자기공명영상 스캐너)(30)가 출력한 MRI 데이터(50)를 변환하는 방법을 나타낸 다이어그램이다.
MRI 스캐너(30)의 동작을 위해, MRI 스캐너(30)에는 사용자가 설정 가능한 사용자설정 파라미터(401, 402, 403)들이 존재할 수 있다. 사용자는 MRI 스캐너(30)를 동작시키기 이전에, MRI 스캐너(30)의 동작 설정을 변경하기 위한 사용자설정 파라미터 결정부(40)를 이용하여 각종 사용자설정 파라미터(401, 402, 403)들을 결정할 수 있다. 사용자설정 파라미터 결정부(40)는 MRI 스캐너(30)와 일체형으로 되어 있거나 또는 서로 분리되어 있을 수도 있다.
상기 사용자설정 파라미터(401, 402, 403)에는 보통 스캔 파라미터라고 지칭되는 파라미터 및/또는 사용자가 설정할 수 있는 다른 종류의 파라미터가 포함될 수 있다. 도 1에서는 상기 사용자설정 파라미터를 나타내기 위해 3개의 참조번호 401, 402, 403가 사용되었지만, 특정 MRI 스캐너를 위한 상기 사용자설정 파라미터의 개수는 이론적으로는 0개 내지 복수 개가 될 수 있다. 이하 도면에서 사용자설정 파라미터들을 CPk라는 참조부호를 이용하여 나타낼 수 있다(k=1, 2, ......, K).
예컨대, 상기 사용자설정 파라미터(401, 402, 403)의 구체적인 값에 따라 MRI 스캐너(30)의 동작 방식이 변화될 수 있다. MRI 스캐너(30)의 동작 방식이 변화되면, 동일한 스캔 대상에 대하여, MRI 스캐너(30)가 출력하는 MRI 데이터(50)가 나타내는 값들도 변화될 수 있다.
상기 '사용자설정 파라미터'는, 본 발명에서 정의하여 제시하는 MRI 스캐너의 '장치특성'을 설명하는 하나의 기술적 개념이다. 본 발명에서는 MRI 스캐너의 상기 장치특성을 설명하는 또 다른 기술적 개념으로서 '구조 파라미터'라는 개념을 제안한다. MRI 스캐너의 장치특성에 대해서는 본 명세서의 상세한 설명에서 자세히 기술한다. 상기 구조 파라미터는 쉽게 정의하여 수치화할 수 있는 것도 있고 그렇지 않은 것도 있을 수 있다.
본 발명에서, 예컨대 한 개의 MRI 데이터(50)는 MRI 스캐너(30)가 스캔 대상에 대한 1회의 스캔을 완료하였을 때에 MRI 스캐너(30)가 출력하는 한 세트의 값들을 의미할 수 있다. 복수 개의 MRI 데이터(50)는 MRI 스캐너(30)가 스캔 대상에 대한 복수 회의 스캔을 완료하였을 때에 MRI 스캐너(30)가 출력하는 복수 세트의 값들을 의미할 수 있다.
사용자설정 파라미터 결정부(40)는 MRI 스캐너(30)의의 사용자입력 인터페이스 또는 별도의 자동화된 사용자설정 파라미터 입력 인터페이스에 의해 조작될 수 있다. 사용자설정 파라미터 결정부(40)는 MRI 스캐너(30)를 위해 설정되어야 하는 사용자설정 파라미터(401, 402, 403)들을 출력할 수 있다.
MRI 스캐너(30)가 출력한 MRI 데이터(50)는 변환 네트워크부(20)에 입력될 수 있다. 변환 네트워크부(20)는 입력된 MRI 데이터(50)를 기초로 미리 결정된 물리적 의미를 갖는 변환정보(60)를 출력하도록 되어 있을 수 있다.
상기 MRI 데이터(50)는 예컨대 잘 알려진 이미지 데이터 또는 K-space 데이터일 수 있다. 상기 이미지 데이터와 상기 K-space 데이터는 상호 변환이 가능할 수 있다.
변환 네트워크부(20)는 잘 알려져 있는 지도학습 방법에 따라 학습될 수 있는 네트워크일 수 있다. 예컨대 변환 네트워크부(20)는 CNN(convolution neural network)일 수 있다. 변환 네트워크부(20)는, MRI 데이터(50) 또는 MRI 데이터(50)로부터 변환하여 생성한 정보가 직접 입력되는 인풋 레이어(210), 상기 변환정보(60)를 출력하는 아웃풋 레이어(230), 및 상기 인풋 레이어(210)과 상기 아웃풋 레이어(230) 사이에 존재하는 한 개 이상의 히든 레이어들(220)을 포함할 수 있다.
예컨대, 변환 네트워크부(20)에 한 세트의 MRI 데이터(50)가 입력될 때에, 상기 입력되는 MRI 데이터(50)에 대응하는 레이블(510)이 미리 제공되어 있을 수 있다. 상기 레이블(510)은 변환 네트워크부(20)가 상기 MRI 데이터(50)에 대응하여 출력하기를 원하는 일종의 정답일 수 있다. 예컨대, 레이블(510)은 숙련된 MRI 데이터 변환전문가(ex: 사람)가 MRI 데이터(50)를 직접 관찰하여 판별한 결과 값일 수 있다. 상기 직접 관찰하여 판별한 결과값, 즉 상기 레이블(510)은 상기 변환정보(60)와 동일한 의미를 갖는 동일한 종류의 데이터일 수 있다.
오류 산출부(520)는, 변환 네트워크부(20)가 MRI 데이터(50)를 입력받아 출력한 변환정보(60)로부터 획득되는 값과, 상기 입력된 MRI 데이터(50)에 대응하는 상기 레이블(510)의 값의 차이를 기초로 산출된 에러(Err)(521)를 출력할 수 있다.
에러(Err)(521)가 0(영)이 아닌 값을 갖는다면, 변환 네트워크부(20)는 소정의 원하는 기능 또는 성능에 도달하지 못한 것으로 판단될 수 있으며, 따라서 변환 네트워크부(20)의 동작상태 또는 내부구성을 변경할 수 있다.
갱신 제어부(530)는 에러(Err)(521)의 값을 기초로 하여 변환 네트워크부(20)의 동작상태 또는 내부구성을 변경하기 위한 네트워크 갱신정보(531)를 생성할 수 있다. 상기 동작상태 또는 내부구성을 변경한다는 것은, 예컨대 변환 네트워크부(20)를 구성하는 노드들 간의 신호전달특성을 부여하는 링크들에 할당되어 있는 가중치를 변경하는 것을 의미할 수 있다.
갱신 제어부(530)에 의해 생성된 네트워크 갱신정보(531)는 변환 네트워크부(20)에 제공될 수 있다. 변환 네트워크부(20)의 내부 파라미터는 네트워크 갱신정보(531)를 기초로 갱신될 수 있다. 예컨대 변환 네트워크부(20)의 인풋 레이어(210), 히든 레이어(220), 및 아웃풋 레이어(230)은 각각 복수 개의 노드들로 구성될 수 있으며, 서로 다른 레이어의 임의의 노드들은 가중치를 갖는 링크들에 의해 상호 연관될 수 있다. 상기 변환 네트워크부(20)의 상기 내부 파라미터는 상기 가중치일 수 있다.
도 1에서 MRI 스캐너(30)가 서로 다른 스캔 대상들을 스캔하여 출력한 서로 다른 복수 개의 MRI 데이터(50)들, 그리고 상기 복수 개의 MRI 데이터(50)들에 각각 대응하는 복수 개의 레이블(510)들을 이용하여 변환 네트워크부(20)를 학습시킬 수 있다는 점은 지도학습을 이용한 기계학습 분야에서 충분히 이해될 수 있다.
상술한 레이블(510), 오류 산출부(520), 에러(Err)(521), 갱신 제어부(530), 및 네트워크 갱신정보(531)는 본 발명의 이해를 돕기 위해 예시한 것이며, 이들 구성 및 이들 구성 간의 상호작용 관계에 의해 본 발명이 제한되는 것은 아니다.
이제, 도 1의 변환 네트워크부(20)가 학습용 MRI 데이터(50)에 의해 충분히 학습되었다고 가정하고, 이렇게 학습 완료된 변환 네트워크부(20)가 사용되는 두 가지의 시나리오에 대하여 살펴볼 수 있다.
도 2는 도 1에서 학습 완료된 변환 네트워크부(20)가 사용되는 첫 번째 변환 시나리오를 나타낸 것이다.
도 3은 도 1에서 학습 완료된 변환 네트워크부(20)가 사용되는 두 번째 변환 시나리오를 나타낸 것이다.
우선, 일 실시예에서, 변환 네트워크부(20)를 학습하는 과정에서 이용할 학습용 MRI 데이터(50)들을 준비하기 위하여 MRI 스캐너(30)에 대해 설정해야 하는 사용자설정 파라미터들(401, 402, 403)을 제1세트의 설정값(CP1, ..., CPk, ..., CPK)으로 결정할 수 있다. 이하, 도 2와 도 3에 관한 설명에서는, 변환 네트워크부(20)를 학습시키는 과정에서 상기 제1세트의 설정값(CP1, ..., CPk, ..., CPK)을 이용한 상황을 가정한다.
도 2의 변환 시나리오에서, 학습 완료된 변환 네트워크부(20)가 변환해야 하는 변환대상 MRI 데이터(50)를 준비하기 위하여, MRI 스캐너(30)에 대해 설정해야 하는 사용자설정 파라미터들(401, 402, 403)을 제2세트의 설정값(CP1, ..., CPk, ..., CPK)으로 결정할 수 있다. 도 2의 변환 시나리오는 상기 제1세트의 설정값(CP1, ..., CPk, ..., CPK)과 상기 제2세트의 설정값(CP1, ..., CPk, ..., CPK)이 동일한 경우이다.
도 3의 변환 시나리오에서, 학습 완료된 변환 네트워크부(20)가 변환해야 하는 변환 대상 MRI 데이터(50)를 준비하기 위하여, 다른 MRI 스캐너(130)에 대해 설정해야 하는 사용자설정 파라미터들(401, 402, 403)을 제3세트의 설정값(CP11, ..., CPk1, ..., CPK1)으로 결정할 수 있다. 도 3의 변환 시나리오는 상기 제1세트의 설정값(CP1, ..., CPk, ..., CPK)과 상기 제3세트의 설정값(CP11, ..., CPk1, ..., CPK1)이 서로 다른 경우이다.
변환 네트워크부(20)를 학습시켜 학습 완료된 변환 네트워크(20)를 공급하는 공급자가, 학습 완료된 변환 네트워크부(20)를 수요자에게 제공하는 상황을 가정할 수 있다. 이때, 학습 완료된 변환 네트워크부(20)의 동작 성능의 신뢰성을 보장하기 위해서, 바람직하게는, 학습 완료된 변환 네트워크부(20)가 변환해야 하는 변환 대상 MRI 데이터(50)를 얻기 위해 설정한 상기 사용자설정 파라미터들이, 변환 네트워크부(20)를 학습시키는 과정에서 이용된 학습용 MRI 데이터(50)들을 얻기 위해 설정한 사용자설정 파라미터들과 서로 동일한 것이 바람직하다. 즉, 상기 도 2의 변환 시나리오가 상기 도 3의 변환 시나리오보다 더 바람직하다.
그러나 학습 완료된 변환 네트워크부(20)를 제공받은 상기 수요자가 상기 학습 MRI 데이터(50)들을 얻기 위해 설정했던 상기 사용자설정 파라미터들의 구체적인 값을 알지 못하는 경우, 또는 상기 수요자가 사용하는 다른 MRI 스캐너로서는 상기 사용자설정 파라미터들과 동일한 사용자설정 파라미터를 설정하지 못하는 경우, 또는 스캔 대상의 종류가 다르기 때문에 상기 학습 MRI 데이터(50)들을 얻기 위해 설정했던 상기 사용자설정 파라미터들을 설정하지 못하는 상황이 발생할 수 있다. 이와 같은 상황에서는 학습 완료된 변환 네트워크부(20)가 애초 제공하기로 한 변환 성능에 도달하지 못할 수 있다는 문제가 있다.
또한 후술하겠지만, 서로 다른 기술자들이 만든 다양한 MRI 스캐너(30)들 간의 상기 구조 파라미터들 간의 편차 때문에, 학습 완료된 변환 네트워크부(20)가 애초 제공하기로 한 변환 성능에 도달하지 못할 수 있다는 문제가 있다.
상기 구조 파라미터들 간의 편차는 애초 MRI 스캐너의 설계과정에서 의도된 결과물일 수 있다. 예컨대 제1MRI 스캐너의 제1고정 자기장 세기는 제2MRI 스캐너의 제2고정 자기장 세기와 다르게 설계되어 있을 수 있다. 이러한 편차에 대한 정보를 획득하는 것은 상대적으로 간단할 수 있다. 예컨대 상기 제1고정 자기장 세기는 상기 제1MRI 스캐너의 메인 마그넷의 자기강도를 나타내는 것이다.
나아가, 상기 구조 파라미터들 간의 편차는 동일한 모델번호를 갖는 서로 다른 MRI 스캐너들 간의 제조공정오차에 의해 발생한 결과물일 수 있다. 예컨대 제1MRI 스캐너 및 제2MRI 스캐너 모두 동일한 제1고정 자기장 세기를 갖도록 설계하였더라도 제조 공정에서의 편차 때문에 두 MRI 스캐너가 제공하는 고정 자기장 세기는 서로 다를 수도 있다. 이러한 편차에 대한 정보를 획득하는 것은 상대적으로 어려울 수 있다.
또한, 상기 구조 파라미터들 간의 편차는 동일한 모델번호를 갖는 MRI 스캐너들의 내부 구성부품들의 사용시간에 따라 겪은 서로 다른 열화특성에 의해 발생한 결과물일 수 있다. 이러한 편차에 대한 정보를 획득하는 것은 상대적으로 어려울 수 있다.
본 발명에서는, 학습 완료된 변환 네트워크부가 적용되어야 하는 MRI 스캐너의 고유 장치특성이 미리 결정된 기준조건을 갖도록 보장되지 않은 다양한 상황에서, 상기 학습 완료된 변환 네트워크부의 변환 성능이 일정 수준을 유지하도록 하는 기술을 제공하고자 한다.
본 발명의 일 관점에 따라 MRI 스캐너가 출력한 MRI 데이터를 기초로 소정의 변환정보를 출력하는 변환 네트워크부를 포함하는 MRI 데이터 변환장치를 제공할 수 있다. 이때, 상기 변환정보를 출력하기 위하여, 상기 변환 네트워크부에 상기 MRI 데이터 및 상기 MRI 스캐너의 장치특성에 관한 정보를 제공한다.
이때, 상기 장치특성에 관한 정보는, 상기 MRI 데이터로부터 미리 결정된 방법으로 산출되는 데이터 특성값을 포함할 수 있다.
이때, 상기 장치특성에 관한 정보는, 상기 MRI 스캐너의 사용자설정 파라미터를 포함할 수 있다.
이때, 상기 장치특성에 관한 정보는, 상기 MRI 스캐너를 구성하는 하드웨어 또는 소프트웨어의 제원(specification)을 나타내는 구조 파라미터를 포함할 수 있다.
이때, 상기 장치특성에 관한 정보는, 상기 MRI 데이터를 생성한 시점에서의 상기 MRI 스캐너의 장치특성에 관한 정보일 수 있다.
이때, 상기 변환 네트워크부는 다층구조의 신경망을 포함하며, 상기 장치특성에 관한 정보는 상기 신경망의 히든 레이어에 입력될 수 있다.
이때, 상기 장치특성에 관한 정보는 상기 히든 레이어를 구성하는 한 세트의 노드들에 입력되며, 상기 한 세트의 노드들에 입력되는 정보는 오직 상기 장치특성에 관한 정보만을 포함할 수 있다.
이때, 상기 한 세트의 노드들 중 임의의 노드의 아웃바운드 링크에 연결된 제3 레이어를 구성하는 노드들의 개수는 상기 신경망의 인풋 레이어를 구성하는 노드들의 개수보다 작을 수 있다.
이때, 상기 MRI 데이터는 이미지 데이터이고, 상기 데이터 특성값은 상기 이미지 데이터의 SNR, contrast, 및 aliasing 패턴 중 하나 이상을 포함할 수 있다.
이때, 상기 MRI 데이터는 k-space이고, 상기 데이터 특성값은 상기 k-space 정보에서 추출 가능한 power, k-space의 trajectory, 및 기타 정보 중 하나 이상을 포함할 수 있다.
이때, 상기 변환 네트워크부는 다층구조의 신경망을 포함하며, 상기 신경망의 히든 레이어의 입출력 특성은 상기 장치특성에 관한 정보에 의해 변경될 수 있다.
이때, 상기 히든 레이어는 복수 개의 채널들을 포함하며, 상기 복수 개의 채널 중 제1채널의 입출력 특성은 상기 장치특성에 관한 정보를 기초로 변경될 수 있다.
이때, 상기 MRI 스캐너를 더 포함하며, 상기 변환 네트워크부는, 사용자설정 파라미터가 설정되어 있는 상기 MRI 스캐너로부터 상기 사용자설정 파라미터에 관한 정보를 전달받도록 되어 있을 수 있다.
이때, 상기 MRI 스캐너; 및 상기 MRI 스캐너의 사용자설정 파라미터들을 설정하는 사용자설정 파라미터 결정부를 더 포함하며, 상기 변환 네트워크부는, 상기 사용자설정 파라미터에 관한 정보를 상기 사용자설정 파라미터 결정부로부터 전달받도록 되어 있을 수 있다.
이때, 파라미터 변환부;를 더 포함하고, 상기 변환 네트워크부는 다층구조의 신경망을 포함하며, 상기 파라미터 변환부는, 상기 MRI 스캐너의 사용자설정 파라미터를 획득하도록 되어 있고, 상기 획득한 사용자설정 파라미터를 변환하도록 되어 있으며, 그리고 상기 변환된 상기 사용자설정 파라미터를 상기 신경망의 히든 레이어에 제공하도록 되어 있을 수 있다.
이때, 상기 장치특성에 관한 정보는, 상기 MRI 스캐너의 사용자설정 파라미터를 포함하며, 상기 MRI 데이터 변환장치는, 상기 사용자설정 파라미터의 디멘젼을 변환하여 제1차원변환값을 출력하는 디멘젼 변환부; 및 상기 사용자설정 파라미터의 물리적 의미에 따라 결정되는 제1변환함수를 기초로 상기 제1차원변환값을 변환하여 제1변환 파라미터를 출력하는 물리특성 적용부;를 더 포함할 수 있다.
본 발명의 일 관점에 따라 MRI 스캐너가 출력한 MRI 데이터를 기초로 소정의 변환정보를 출력하는 변환 네트워크부를 학습시키는 학습방법을 제공할 수 있다. 상기 학습방법은, MRI 데이터 변환장치가, 상기 MRI 스캐너의 장치특성에 관한 정보를 획득하는 단계; 상기 MRI 데이터 변환장치가, 상기 MRI 스캐너가 출력한 MRI 데이터를 획득하는 단계; 상기 MRI 데이터 변환장치가, 상기 MRI 데이터에 관한 레이블을 획득하는 단계; 상기 MRI 데이터 변환장치가, 상기 장치특성에 관한 정보 및 상기 MRI 데이터를 상기 변환 네트워크부에 입력하여 상기 변환 네트워크부로부터 변환정보를 획득하는 단계; 및 상기 MRI 데이터 변환장치가, 상기 변환정보와 상기 레이블 간의 차이값을 기초로 상기 변환 네트워크부를 갱신하는 단계;를 포함할 수 있다.
이때, 상기 장치특성에 관한 정보는, 상기 MRI 스캐너의 사용자설정 파라미터; 및 상기 MRI 데이터로부터 미리 결정된 방법으로 산출되는 데이터 특성값;을 포함할 수 있다.
이때, 상기 장치특성에 관한 정보는, 상기 MRI 스캐너의 사용자설정 파라미터; 및 상기 MRI 데이터로부터 미리 결정된 방법으로 산출되는 데이터 특성값;을 포함할 수 있다.
이때, 상기 신경망은 CNN일 수 있다.
본 발명의 다른 관점에 따라 MRI 스캐너가 출력한 MRI 데이터를 기초로 소정의 변환정보를 출력하는 변환 네트워크부를 포함하는 MRI 데이터 변환장치를 제공할 수 있다. 이때, 상기 변환 네트워크부에는, ① 상기 MRI 스캐너로부터 출력된 MRI 데이터, ② 상기 MRI 스캐너의 사용자설정 파라미터 정보; 및 ③ 상기 MRI 데이터로부터 미리 결정된 방법으로 산출되는 데이터 특성값이 입력되며, 상기 사용자설정 파라미터 정보 및 상기 데이터 특성값은 상기 변환 네트워크부를 구성하는 신경망의 히든 레이어에 입력될 수 있다.
본 발명의 또 다른 관점에 따라, MRI 데이터 변환장치의 사용자설정 파라미터 결정부가, MRI 스캐너의 사용자설정 파라미터들을 결정하는 단계; 상기 MRI 데이터 변환장치의 MRI 스캐너가, 주어진 스캔 대상을 스캔하여 MRI 데이터를 출력하는 단계; 상기 MRI 데이터 변환장치의 특성 추출부가, 상기 MRI 데이터의 데이터 특성값을 추출하는 단계; 및 상기 MRI 데이터 변환장치가, 상기 출력된 MRI 데이터 및 상기 출력된 MRI 데이터에 대응하는 미리 준비된 레이블을 이용하여 상기 MRI 데이터 변환장치의 변환 네트워크부를 지도학습하는 단계;를 포함하며, 상기 지도학습을 위한 학습용 입력데이터는 상기 출력된 MRI 데이터뿐만 아니라, 상기 결정된 사용자설정 파라미터들 및 상기 추출된 데이터 특성값 중 하나 이상을 포함하는, MRI 데이터 변환장치의 학습방법이 제공될 수 있다.
본 발명의 또 다른 관점에 따라, MRI 데이터 변환장치의 사용자설정 파라미터 결정부가, MRI 스캐너의 사용자설정 파라미터들을 결정하는 단계; 상기 MRI 데이터 변환장치의 MRI 스캐너가, 주어진 스캔 대상을 스캔하여 MRI 데이터를 출력하는 단계; 상기 MRI 데이터 변환장치의 특성 추출부가, 상기 MRI 데이터의 데이터 특성값을 추출하는 단계; 및 상기 MRI 데이터 변환장치가, 학습 완료된 변환 네트워크부에 상기 출력된 MRI 데이터뿐만 아니라, 상기 결정된 사용자설정 파라미터들 및 상기 추출된 데이터 특성값 중 하나 이상을 입력함여, 상기 학습 완료된 변환 네트워크부로부터 소정의 변환정보를 출력하는 단계;를 포함하는, MRI 데이터의 변환방법이 제공될 수 있다.
본 발명의 또 다른 관점에 따라, 제1MRI 스캐너가 스캔 대상을 스캔하여 출력한 제1MRI 데이터를 기초로 상기 제1MRI 데이터로부터 변환된 소정의 변환정보를 출력하는 변환 네트워크부를 포함하는 MRI 데이터 변환장치가 제공될 수 있다. 이때, 상기 변환정보를 출력하기 위하여, 상기 변환 네트워크부에 상기 제1MRI 데이터 및 상기 제1MRI 스캐너의 장치특성에 관한 정보를 제공하도록 되어 있으며, 상기 제1MRI 스캐너의 장치특성은, 상기 제1MRI 스캐너와 다른 제2MRI 스캐너가 상기 스캔 대상을 스캔하여 출력한 제2MRI 데이터와 상기 제1MRI 데이터 간의 차이점을 유발하는 파라미터 값들로 구성된다.
이때, 상기 파라미터 값들은, 상기 제1MRI 스캐너의 동작상태를 결정하는 사용자설정 파라미터, 상기 제1MRI 스캐너를 구성하는 제1하드웨어 또는 제1소프트웨어의 제원(specification)을 나타내는 구조 파라미터, 및 상기 제1MRI 데이터로부터 획득되는 데이터 특성값 중 하나 이상을 포함할 수 있다.
본 발명에 따르면, 학습 완료된 변환 네트워크부가 적용되어야 하는 MRI 스캐너의 고유 장치특성이 미리 결정된 기준조건을 갖도록 보장되지 않은 다양한 상황에서, 상기 학습 완료된 변환 네트워크부의 변환 성능이 일정 수준을 유지하도록 하는 기술을 제공할 수 있다.
도 1은 일 실시예에 따라 MRI 스캐너(30)가 출력한 MRI 데이터(50)를 변환하는 방법을 나타낸 다이어그램이다.
도 2는 도 1에서 학습 완료된 변환 네트워크부(20)가 사용되는 첫 번째 시나리오를 나타낸 것이다.
도 3은 도 1에서 학습 완료된 변환 네트워크부(20)가 사용되는 두 번째 시나리오를 나타낸 것이다.
도 4는 본 발명의 일 실시예에 따라 변환 네트워크부가 출력한 MRI 데이터를 변환하는 방법을 나타낸 다이어그램이다.
도 5는 서로 다른 장치특성을 갖는 두 개의 MRI 스캐너의 각 장치특성을 분류하는 하나의 기준을 설명하기 위한 것이다.
도 6은 본 발명의 바람직한 일 실시예에 따라 MRI 스캐너가 출력한 MRI 데이터를 이용하여 변환 네트워크부를 학습시키는 방법을 나타낸 다이어그램이다.
도 7은 도 6에 나타낸 본 발명의 일 실시예에 따라 제공되는 파라미터 변환부의 구체적인 구성을 나타낸 다이어그램이다.
도 8은 본 발명의 바람직한 일 실시예에 따라, 파라미터 변환부가 출력한 변환 파라미터들을 변환 네트워크부의 선택된 레이어에 입력하는 방식을 나타낸 것이다.
도 9는 도 6에서 학습 완료된 변환 네트워크부를 이용하여 MRI 데이터를 변환하는 MRI 데이터 변환장치의 구성을 나타낸 다이어그램이다.
도 10은 본 발명의 일 실시예에 따라 제공되는 변환 네트워크부를 학습시키는 방법을 나타낸 순서도이다.
도 11은 본 발명의 일 실시예에 따라 제공되는 학습 완료된 변환 네트워크부를 이용하여 변환정보를 생성하는 방법을 나타낸 순서도이다.
이하, 본 발명의 실시예를 첨부한 도면을 참고하여 설명한다. 그러나 본 발명은 본 명세서에서 설명하는 실시예에 한정되지 않으며 여러 가지 다른 형태로 구현될 수 있다. 본 명세서에서 사용되는 용어는 실시예의 이해를 돕기 위한 것이며, 본 발명의 범위를 한정하고자 의도된 것이 아니다. 또한, 이하에서 사용되는 단수 형태들은 문구들이 이와 명백히 반대의 의미를 나타내지 않는 한 복수 형태들도 포함한다.
<사용자설정 파라미터의 학습>
도 4는 본 발명의 일 실시예에 따라, 변환 네트워크부가 출력한 MRI 데이터를 변환하는 방법을 나타낸 다이어그램이다.
도 4는 도 1을 통해 설명한 실시예에 따른 상술한 문제점을 해결하기 위하여 변환 네트워크부(20)의 인풋 레이어에 복수 개의 사용자설정 파라미터들(401, 402, 403)이 입력된다는 점이 도 1과 다르다.
변환 네트워크부(20)에 입력되는 복수 개의 사용자설정 파라미터(401, 402, 403)들이 변환 네트워크부(20)의 학습결과에 영향을 주기 위해서는, 변환 네트워크부(20)의 학습과정에서 복수 개의 사용자설정 파라미터(401, 402, 403)의 값이 변화되어야 한다. 예컨대 복수 개의 사용자설정 파라미터들의 총 개수가 K개이고, 상기 복수 개의 사용자설정 파라미터들로 이루어지는 조합이 가질 수 있는 경우의 수가 총 KC개라면, 변환 네트워크부(20)를 학습 완료시키기 위한 학습 반복의 수는 도 1에 비하여 예컨대 KC 배 증가할 수 있는데, 여기서 KC는 상당히 큰 숫자일 수 있다. 이 경우 변환 네트워크부(20)의 학습에 투입되는 컴퓨팅 파워 및/또는 컴퓨팅 시간이 상당히 클 수 있다.
또한, 변환 네트워크(20)에 입력되는 복수 개의 사용자설정 파라미터들에 포함된 스칼라 값들( 또는 벡터값들)의 총 개수가 K1개이고, 변환 네트워크(20)에 입력되는 MRI 데이터(50)에 포함된 스칼라 값들( 또는 벡터값들)의 총 개수가 K2개라고 할 때에, 만일 K2>>K1인 경우에 다음과 같은 문제가 생길 수 있다. 즉, 변환 네트워크(20)에 입력되는 값들에 있어서 상기 복수 개의 사용자설정 파라미터들이 차지하는 비중이, 말하자면 K1/(K1+K2) ( << 1)이 되므로, 상기 복수 개의 사용자설정 파라미터들이 변환 네트워크(20)의 학습에 미치는 영향이 작다는 문제가 있다.
도 4에서는 변환 네트워크부(20)가 학습하는 MRI 스캐너 고유의 장치특성이 상술한 복수 개의 사용자설정 파라미터인 것을 한정되어 있다. 그러나 본 발명의 바람직한 실시예에서 MRI 스캐너 고유의 장치특성은 상술한 복수 개의 사용자설정 파라미터 이외에도 더 정의될 수 있다. 이를 도 5를 통해 설명한다.
<본 발명에서 '장치특성'의 정의>
본 발명에서 정의하는 장치특성은 '구조 파라미터'라는 개념과 '사용자설정 파라미터'라는 개념, 즉, 2개의 개념으로 구분되어 이해될 수 있다. 상기 장치특성은 다른 말로 동작특성이라고 지칭될 수도 있다.
도 5는 서로 다른 장치특성을 갖는 두 개의 MRI 스캐너의 각 장치특성을 구성하는 상기 구조 파라미터와 사용자설정 파라미터를 설명하기 위한 것이다. 이하 도 5를 참조하여 설명한다.
1. 구조 파라미터
제1MRI 스캐너(31)에 포함된 부품들은 제1구조 파라미터를 가질 수 있다. 상기 제1구조 파라미터는 예컨대 제1MRI 스캐너(31)에 포함된 자석의 세기, 코일의 개수, 최대전력파워 등 다양한 부품의 특성을 수치화한 파라미터일 수 있다. 상기 다양한 부품의 특성은 제1MRI 스캐너(31)의 설계 사양에 의해 결정될 수 있다. 또한 결정된 상기 설계 사양에도 불구하고, 상기 다양한 부품의 특성은 제1MRI 스캐너(31)의 제조공정 상의 편차에 의해 결정될 수도 있다. 또한, 상기 다양한 부품의 특성은 제1MRI 스캐너(31)의 사용에 따른 각 부품의 열화도에 따라 결정될 수도 있다. 또한 상기 제1구조 파라미터는, 제1MRI 스캐너(31)에 포함된 상술한 다양한 부품들 간의 상호 작용을 수치화한 파라미터를 포함할 수 있다.
제2MRI 스캐너(32)에 포함된 부품들은 제2구조 파라미터를 가질 수 있다. 상기 제2구조 파라미터는 예컨대 제2MRI 스캐너(32)에 포함된 자석의 세기, 코일의 개수, 최대전력파워 등 다양한 부품의 특성을 수치화한 파라미터일 수 있다. 상기 다양한 부품의 특성은 제2MRI 스캐너(32)의 설계 사양에 의해 결정될 수 있다. 또한 결정된 상기 설계 사양에도 불구하고, 상기 다양한 부품의 특성은 제2MRI 스캐너(32)의 제조공정 상의 편차에 의해 결정될 수도 있다. 또한, 상기 다양한 부품의 특성은 제2MRI 스캐너(32)의 사용에 따른 각 부품의 열화도에 따라 결정될 수도 있다. 또한 상기 제2구조 파라미터는 제2MRI 스캐너(32)에 포함된 상술한 다양한 부품들 간의 상호 작용을 수치화한 값을 포함할 수 있다.
상기 제1구조 파라미터와 상기 제2구조 파라미터, 그리고 또 다른 임의의 MRI 스캐너에서 정의되는 구조 파라미터를 통칭하여 구조 파라미터라고 부를 수 있다.
본 명세서에서 상기 구조 파라미터는, 한 개의 구조 파라미터를 개별적으로 지칭하는 것일 수도 있고, 복수 개의 구조 파라미터들을 집합적으로 지칭하는 것일 수도 있다.
서로 다른 MRI 스캐너인 상기 제1MRI 스캐너(31)과 제2MRI 스캐너(32)의 상기 제1구조 파라미터와 상기 제2구조 파라미터는 서로 같을 수도 있고, 서로 다를 수도 있다.
또한, 제1MRI 스캐너(31)을 구성하는 부품들의 개수 및 종류는 제2MRI 스캐너(32)를 구성하는 부품들의 개수 및 종류와 동일할 수도 있지만 서로 다를 수도 있다.
제1MRI 스캐너(31) 및 제2MRI 스캐너(32)의 장치특성(=동작특성)은 제1MRI 스캐너(31)와 제2MRI 스캐너(32)의 각 구조 파라미터에 의해 변화될 수 있다.
상기 구조 파라미터의 값은 획득하기 쉬운 것과 어려운 것으로 구분될 수도 있다. 예컨대 MRI 스캐너의 설계사양에 의해 변화되는 구조 파라미터의 값은 얻기 쉽니다. 그러나 설계사양이 주어져 있음에도 불구하고, MRI 스캐너의 제조공정오차에 따른 구조 파라미터 및 시간에 따른 열화에 의한 구조 파라미터는 얻기 어려울 수 있다.
2. 사용자설정 파라미터
한편, 제1MRI 스캐너(31) 및 제2MRI 스캐너(32)의 장치특성(=동작특성)은 제1MRI 스캐너(31)와 제2MRI 스캐너(32)에 각각 설정되는 사용자설정 파라미터에 따라 변화될 수도 있다.
제1MRI 스캐너(31)가 제공하는 사용자설정 파라미터들의 개수 및 종류는 제2MRI 스캐너(32)가 제공하는 사용자설정 파라미터들의 개수 및 종류와 동일할 수도 있지만 서로 다를 수도 있다.
비록 제1MRI 스캐너(31)이 제공하는 사용자설정 파라미터들의 개수 및 종류가 제2MRI 스캐너(32)가 제공하는 사용자설정 파라미터들의 개수 및 종류와 동일하다고 가정하더라도, 제1MRI 스캐너(31)에 설정된 사용자설정 파라미터들의 값과 제2MRI 스캐너(32)에 설정된 사용자설정 파라미터들의 값이 서로 다르다면, 제1MRI 스캐너(31)과 제2MRI 스캐너(32)의 동작특성은 서로 다를 것이다.
만일, 제1상태를 갖는 스캔 대상(70)을 제1MRI 스캐너(31)가 스캔한다면, 제1MRI 스캐너(31)가 출력하는 제1MRI 데이터(51)가 나타내는 값은, 적어도 제1MRI 스캐너(31)의 상기 제1구조 파라미터 및 제1MRI 스캐너(31)에 대해 설정된 제1사용자설정 파라미터에 의해 결정될 수 있다.
이와 마찬가지로, 상기 제1상태를 갖는 스캔 대상(70)을 제2MRI 스캐너(32)가 스캔한다면, 제2MRI 스캐너(32)가 출력하는 제2MRI 데이터(52)가 나타내는 값은, 적어도 제2MRI 스캐너(32)의 상기 제2구조 파라미터 및 제2MRI 스캐너(32)에 대해 설정된 제2사용자설정 파라미터에 의해 결정될 수 있다.
이상적인 시나리오에서, 동일한 스캔 대상(70)을 서로 다른 두 개의 스캐너가 스캔하여 얻은 MRI 데이터들은 서로 동일해야 한다.
만일, 상기 제1구조 파라미터 및 상기 제1사용자설정 파라미터로 구성되는 제1장치특성이 상기 제2구조 파라미터 및 상기 제2사용자설정 파라미터로 구성되는 제2장치특성과 동일하다면, 제1MRI 데이터(51)와 제2MRI 데이터(52)는 서로 동일한 값을 가질 것이다.
그러나 이와 달리 상기 제1장치특성이 상기 제2장치특성과 서로 다르다면, 제1MRI 데이터(51)와 제2MRI 데이터(52)는 서로 다른 값을 가질 것이다.
본 명세서에서, 서로 다른 MRI 스캐너들이 동일한 스캔 대상(70)을 스캔하여 얻은 MRI 데이터들 간에 편차가 존재한다면, 이러한 편차는 각 MRI 스캐너들 간의 상기 '장치특성'의 차이에 의해 발생한 것으로 간주할 수 있다. 상기 서로 다른 MRI 스캐너는 서로 다른 모델번호를 갖는 스캐너들일 수도 있고, 또는 동일한 사양의 동일한 모델번호를 갖는 스캐너들일 수도 있다. 두 개의 서로 다른 MRI 스캐너들이 동일한 모델번호를 갖는다고 하더라도, 구체적인 동작 조건에 따라 동일한 스캔 대상에 대해 서로 다른 결과를 출력할 수도 있다.
상술한 MRI 스캐너의 상기 장치특성을 구성하는 상기 사용자설정 파라미터와 상기 구조 파라미터는 다음과 같은 특징을 가질 수 있다.
첫째, 상기 사용자설정 파라미터는, 사용자가 직접 설정하는 것이므로 그 자체로서 관찰이 되며, 그 값을 수치화하기도 용이하다는 특징이 있다.
둘째, 상기 구조 파라미터 중 일부는 획득하기 용이할 수 있다. 예컨대 주어진 MRI 스캐너의 고정 자기장의 세기는 쉽게 획득할 수 있는 정보일 수 있다.
셋째, 상기 구조 파라미터 중 다른 일부는, 관찰하기 어려운 공정오차, 관측이 어려운 시간에 따른 부품열화 등 관찰하기 어려운 정보를 포함한다. 따라서 상기 구조 파라미터는 관찰하기도 어렵고, 관찰이 되더라도 수치화하여 정리하기 어렵다는 특징이 있다.
<MRI 스캐너의 장치특성의 학습 준비를 위한 MRI 데이터의 데이터 특성값의 추출>
이와 같이 상기 구조 파라미터 중 일부에 관한 정보를 획득하기 어려움에도 불구하고, 결국 상기 구조 파라미터는 MRI 스캐너(30)가 출력하는 MRI 데이터(50)에 반영된다. 즉, MRI 스캐너(30)가 출력하는 MRI 데이터(50)에는 상기 구조 파라미터에 의한 영향이 내재되어 있다는 점을 이해할 수 있다.
이제, 본 발명이 일 실시예에 따라 제공되는 상기 변환 네트워크부(20)가 MRI 스캐너(30) 고유의 장치특성을 학습하기 위해서는, 학습과정에서 상기 장치특성이 상기 변환 네트워크부(20)에 제공되어야 한다. 즉, 학습과정에서 상기 사용자설정 파라미터(401, 402, 403) 및 상기 구조 파라미터에 관한 정보가 상기 변환 네트워크부(20)에 제공되어야 한다.
이때, 상기 사용자설정 파라미터(401, 402, 403)는 그 값이 잘 정의될 수 있으므로 상기 변환 네트워크부(20)에 제공되는 데에 문제가 없다.
또한, 상기 구조 파라미터 중 잘 정의될 수 있으며, 그 수치를 쉽게 획득할 수 있는 것은 상기 변환 네트워크부(20)에 제공되는 데에 문제가 없다. 후술하겠지만, 이러한 종류의 구조 파라미터는 구조 파라미터 획득부(90)에 의해 획득되어 변환 네트워크부(20)에 제공될 수 있다.
이에 비하여, 일부의 구조 파라미터는 관찰 가능한 값으로 정의하여 획득하기 어렵기 때문에, 상기 일부의 구조 파라미터를 MRI 스캐너(30)로부터 직접 획득하여 상기 변환 네트워크부(20)에 제공하는 대신, 상기 일부의 구조 파라미터에 의한 영향을 내제하고 있는 상기 MRI 데이터(50)를 상기 변환 네트워크부에 제공하는 방법도 고려해 볼 수 있다.
그런데 상기 변환 네트워크부(20)의 가장 중요한 제1동작목표는 상기 MRI 데이터(50)를 변환하는 것이다. 따라서 상기 변환 네트워크부(20)가 상기 제1동작목표를 달성함과 동시에, 상기 MRI 데이터(50)에 내제된 상기 구조 파라미터를 학습하여 반영하는 제2동작목표를 함께 달성하기 위해서는 수많은 학습 MRI 데이터와 컴퓨팅 자원이 소모된다는 문제가 있다.
따라서 본 발명에서는 일단, 상기 MRI 데이터(50)에 내제되어 있는 상기 구조 파라미터를 별도의 미리 결정된 방법으로 추출할 수 있다.
이렇게 추출된 데이터 특성값(801, 802, 803)은 상기 구조 파라미터 그 자체는 아니라고 볼 수도 있다. 마찬가지로 MRI 데이터(50) 역시 상기 구조 파라미터 그 자체는 아니라고 볼 수도 있다.
그러나 데이터 특성값(801, 802, 803)이 MRI 데이터(50)보다 더 상기 일부의 구조 파라미터의 특성을 더 잘 드러내는 것으로 이해될 수 있다.
상기 데이터 특성값(801, 802, 803)에는, MRI 스캐너(30)의 하드웨어 및/또는 소프트웨어 제원에 관한 값 중 획득이 용이한 값에 의해 결정되는 정보가 포함되어 있을 수 있다. 또한, 상기 데이터 특성값(801, 802, 803)은, MRI 스캐너(30)의 하드웨어 및/또는 소프트웨어 제원에 관한 값 중 획득이 용이하지 않은 값에 의해 결정되는 정보가 포함되어 있을 수 있다.
만일, 제1MRI 스캐너(31)가 출력한 제1MRI 데이터(51)가 나타내는 값과 제2MRI 스캐너(32)가 출력한 제2MRI 데이터(52)가 나타내는 값 간에 차이가 존재한다면, 이러한 차이점은 소정의 방식에 따라 수치화될 수 있다.
예컨대 MRI 데이터(50)가 이미지 데이터인 경우, 이미지의 SNR, contrast 등 이미지 프로세싱 기술을 통해 추출할 수 있는 이미지의 각종 특성들이 정의될 수 있다. 따라서 상기 이미지 데이터의 이미지 특성들을 수치화하여 변환 네트워크부(20)의 학습 자료로서 제공할 수 있다. 본 발명에서는 이러한 이미지의 특성들이 상기 구조 파라미터의 정보를 내제한 효과적인 학습 파라미터인 것으로 간주한다. 상기 이미지의 특성들을 수치화하여 얻은 값을, 본 발명에서는 MRI 데이터의 데이터 특성값으로 간주할 수 있다.
MRI 스캐너(30)가 출력하는 MRI 데이터(50)는 경우에 따라 서로 다른 포맷을 가질 수 있다. 예컨대, MRI 데이터가 이미지 데이터인 경우 상기 MRI 데이터의 상기 데이터 특성값들은 잘 알려진 이미지 프로세싱 기술을 통해 추출할 수 있다. 만일 MRI 데이터가 k-space 데이터인 경우 상기 MRI 데이터의 상기 데이터 특성값들은 k-space 해석 기술에서 잘 알려진 프로세싱 기술을 통해 추출할 수 있다.
말하자면, MRI 데이터(50) 그 자체만을 변환 네트워크부(20)에 입력하는 경우에 비하여, MRI 데이터(50)의 데이터 포맷을 이용하는 해당 기술분야에서 이미 잘 정의되어 있는 도메인 지식(domain knowledge)을 이용하여, MRI 데이터(50)로부터 의미 있는 데이터 특성값을 추출하여 변환 네트워크부(20)에게 제공함으로써, 변환 네트워크부(20)의 학습 부담을 줄여줄 수 있다.
<바람직한 실시예에 따른 변환 네트워크부의 학습 방법>
도 6은 본 발명의 바람직한 일 실시예에 따라 MRI 스캐너가 출력한 MRI 데이터를 이용하여 변환 네트워크부를 학습시키는 방법을 나타낸 다이어그램이다.
본 발명의 일 실시예에 따르는 변환 네트워크부 학습방법은, 변환 네트워크부(20)를 학습시키기 위한 1회의 아이터레이션(iteration)을 수행하기에 앞서 다음과 같은 작업을 수행할 수 있다.
스캔 대상(미도시)을 MRI 스캐너(30)로 스캔하기에 앞서, 사용자설정 파라미터 결정부(40)를 이용하여 MRI 스캐너(30)의 각종 사용자설정 파라미터들(401, 402, 403)을 결정할 수 있다.
이제 MRI 스캐너(30)는 상기 스캔 대상을 스캔하여 MRI 데이터(50)를 출력할 수 있다.
특성 추출부(80)는 MRI 데이터(50)의 데이터 포맷을 이용하는 해당 기술분야에서 잘 알려진 프로세싱 기술을 이용하여 MRI 데이터(50)로부터 상기 데이터 특성값을 추출할 수 있다.
예컨대 MRI 데이터(50)의 데이터 포맷이 비트맵 이미지라면 상기 해당 기술분야는 이미지 프로세싱 기술이며, 상기 데이터 특성값의 예는 상기 비트맵 이미지의 SNR, contrast 등 다양한 정보일 수 있다. 도 6에서 상기 추출된 데이터 특성값은 복수 개의 값들로 제시되어 있으며, 각각 참조번호 801, 802, 803으로 제시되어 있다. 또는 본 명세서에서 상기 추출된 데이터 특성값은 참조부호 Fp (p=1, 2, 3, ..., P)로 표현될 수 있다.
구조 파라미터 획득부(90)는, MRI 스캐너(30)를 구성하는 하드웨어 또는 소프트웨어의 제원(specification)을 나타내는 일부 구조 파라미터들을 획득하도록 되어 있을 수 있다. 상기 일부 구조 파라미터들의 값은 사용자가 직접 구조 파라미터 획득부(90)에 입력할 수도 있고, 또는 별도의 MRI 스캐너의 하드웨어/소프트웨어 감시부가 자동으로 검출하여 구조 파라미터 획득부(90)에 입력할 수도 있다.
파라미터 변환부(10)는, 상기 MRI 데이터(50)로부터 추출된 상기 데이터 특성값(Fp), 상기 사용자설정 파라미터들(CPk), 및 상기 구조 파라미터 획득부(90)가 제공한 구조 파라미터들(SPq)을 미리 결정된 포맷으로 변환하여 얻은 값인 변환 파라미터들(451~453, 851~853, 951~953; MCPk, MFp, MSPq)을 출력할 수 있다. 파라미터 변환부(10)의 구체적인 구성에 대한 일 실시예에 대해서는 도 7에 더 자세히 설명한다.
일 실시예에서, 파라미터 변환부(10)는, 상기 데이터 특성값(Fp), 상기 사용자설정 파라미터들(CPk), 및 상기 구조 파라미터들(SPq) 중 선택된 값들만을 입력받을 수도 있다. 예컨대, 파라미터 변환부(10)는, 상기 데이터 특성값(Fp), 및 상기 사용자설정 파라미터들(CPk)만을 입력으로 받아들이고, 상기 구조 파라미터들(SPq)은 입력으로 받아들이지 않도록 되어 있을 수도 있으며, 이 경우 변환 네트워크부(20)에 상기 변환 파라미터들(951~953; MSPq)은 입력되지 않을 것이다.
상기 변환 파라미터들(451~453, 851~853, 951~953; MCPk, MFp, MSPq)은 변환 네트워크부(20)에 포함된 레이어로서, 소정의 기준에 의해 선택된 레이어에 입력될 수 있다.
상기 선택된 레이어는 인풋 레이어(210)일 수도 있지만, 바람직한 일 실시예에서는 인풋 레이어(210)의 하류에 존재하는 히든 레이어(220)일 수 있다. 상기 변환 파라미터들(451~453, 851~853, 951~953; MCPk, MFp, MSPq)은 변환 네트워크부(20)의 선택된 레이어에 입력되는 구체적인 방법은 도 8에 더 자세히 설명한다.
실시예에 따라서는 파라미터 변환부(10)는, 입력된 데이터 중 적어도 일부를 변환하지 않고 그대로 출력할 수도 있다. 입력된 데이터 모두를 변환하지 않고 그대로 출력하는 일 실시예에서는 도 6에서 파라미터 변환부(10)의 구성이 생략될 수도 있다.
이와 같이 MRI 데이터(50) 및 변환 파라미터들(451~453, 851~853, 951~953; MCPk, MFp, MSPq)이 모두 준비되면, 변환 네트워크부(20)는 MRI 데이터(50), 변환 파라미터들(451~453, 851~853, 951~953; MCPk, MFp, MSPq), 및 MRI 데이터(50)에 대응하는 레이블(510)을 이용하여 지도학습을 위한 1회의 아이터레이션(iteration)을 수행하게 된다.
이제, 다양한 스캔 대상들 및 다양한 사용자설정 파라미터들의 조합값을 이용하여 상기 지도학습을 반복하면 상기 변환 네트워크부(20)의 학습 완료될 수 있다.
<파라미터 변환부의 실시예>
도 7은 도 6에 나타낸 본 발명의 일 실시예에 따라 제공되는 파라미터 변환부의 구체적인 구성을 나타낸 다이어그램이다.
파라미터 변환부(10)는 제1디멘젼 변환부(110), 제1물리특성 적용부(120), 제2디멘젼 변환부(130), 제2물리특성 적용부(140), 제3디멘젼 변환부(150), 및 제3물리특성 적용부(160)를 포함할 수 있다.
1. 사용자설정 파라미터의 변환
임의의 사용자설정 파라미터(CPk)의 데이터 형식은, 상기 임의의 사용자설정 파라미터(CPk)가 입력되어야 하는 상기 레이어의 구조 및 데이터 형식에 부합하지 않을 수 있다. 예컨대, 상기 임의의 사용자설정 파라미터(CPk)가 스칼라 값을 갖지만, 상기 임의의 사용자설정 파라미터(CPk)가 입력되어야 하는 상기 레이어의 부분은 복수 개의 노드들로 구성될 수 있다. 또한 일 실시예에서 상기 복수 개의 노드들을 행렬형태로 주어질 수도 있다.
제1디멘젼 변환부(110)는, 임의의 사용자설정 파라미터(CPk)의 데이터 형식을, 상기 임의의 사용자설정 파라미터(CPk)가 입력되어야 하는 상기 레이어의 부분의 데이터의 형식에 부합하도록 변환할 수 있다. 예컨대 상기 변환에 따르면, 스칼라 값을 갖는 임의의 사용자설정 파라미터(CPk)가 행렬 형태를 갖는 차원변환값(DCPk)으로 변환될 수 있다. 행렬 형태를 갖는 차원변환값(DCPk)의 행과 열의 개수는 각각 미리 결정된 규칙에 따를 수 있다. 이와 같이, 제1디멘젼 변환부(110)에 의해 사용자설정 파라미터(CPk)의 차원이 확장될 수 있다.
일 실시예에서 제1디멘젼 변환부(110)는 복수 개의 서브 디멘젼 변환부(111; 1111, 1112, 1113)들을 포함할 수 있다. 서로 다른 사용자설정 파라미터(CPk)는 서로 다른 서브 디멘젼 변환부(111)에 입력될 수 있다. 각각의 서브 디멘젼 변환부(111)는 입력된 상기 사용자설정 파라미터를 미리 결정된 규칙에 의해 변환하여 상술한 차원변환값(DCPk)으로 변환할 수 있다. 출력된 각각의 차원변환값(DCPk)의 행과 열의 개수는, 상기 차원변환값(DCPk)이 입력되어야 하는 상기 레이어, 즉 상기 차원변환값(DCPk)에 대응되는 상기 사용자설정 파라미터(CPk)가 입력되어야 하는 상기 레이어의 각 부분의 데이터의 형식에 부합하도록 변환할 수 있다.
제1물리특성 적용부(120)는 차원변환값(DCPk)을 변환하여 생성한 값인 변환 파라미터(MCPk)를 생성할 수 있다.
일 실시예에서 서로 다른 각각의 차원변환값(DCPk)은 서로 다른 각각의 서브 특성 적용부(121)에 의해 변환될 수 있다. 즉, 서로 다른 차원변환값(DCPk)에 대응하는 서로 다른 사용자설정 파라미터(CPk)는 서로 다른 서브 특성 적용부(121)에 의해 변환될 수 있다.
일 실시예에서 상기 각각의 사용자설정 파라미터(CPk)는 MRI 스캐너의 동작 원리를 설명하는 다양한 물리적 특성을 나타내는 파라미터일 수 있다. 그리고 서로 다른 사용자설정 파라미터(CPk)가 나타내는 상기 물리적 특성은 서로 다를 수 있다. 이때, 각각의 상기 서브 특성 적용부(121)는 자신에게 대응하는 사용자설정 파라미터(CPk)의 물리적 특성에 기초한 입출력 특성을 가질 수 있다.
일 실시예에서, 적어도 하나의 사용자설정 파라미터(CPk)는 물리적 특성을 설명하는 것이 아닐 수도 있다.
일 실시예에서, 적어도 하나의 상기 서브 특성 적용부(121)는 사실상 생략될 수도 있다.
이제, 하나의 사용자설정 파라미터가 하나의 변환 파라미터로 변환되는 과정을 예시한다. 예컨대, 제1사용자설정 파라미터(401, CP1)는 제1서브 디멘젼 변환부(1111)에 의해 제1차원변환값(411, DCP1)으로 변환되고, 상기 제1차원변환값(411, DCP1)은 제1서브 특성 적용부(1211)에 의해 제1변환 파라미터(MCP1)로 변환될 수 있다. 그리고 마찬가지로 제k사용자설정 파라미터(402, CPk)는 제k서브 디멘젼 변환부(1112)에 의해 제k차원변환값(412, DCPk)으로 변환되고, 상기 제k차원변환값(412, DCPk)은 제k서브 특성 적용부(1212)에 의해 제k변환 파라미터(MCPk)로 변환될 수 있다.
이때, 제1사용자설정 파라미터(401, CP1)와 제k사용자설정 파라미터(402, CPk)가 나타내는 상기 물리적 특성은 서로 다를 수 있다. 따라서 상기 제1서브 특성 적용부(1211)와 제k서브 특성 적용부(1212)의 입출력 특성은 서로 다를 수 있다.
2. 데이터 특성값의 변환
마찬가지로 임의의 상기 데이터 특성값(Fp)의 데이터 형식은 상기 데이터 특성값(Fp)가 입력되어야 하는 상기 레이어의 구조 및 데이터 형식에 부합하지 않을 수 있다.
제2디멘젼 변환부(130)는, 임의의 데이터 특성값(Fp)의 데이터 형식을, 상기 데이터 특성값(Fp)가 입력되어야 하는 상기 레이어의 부분의 데이터의 형식에 부합하도록 변환할 수 있다. 제2디멘젼 변환부(130)에 의해 데이터 특성값(Fp)의 차원이 확장될 수 있다.
일 실시예에서 제2디멘젼 변환부(130)는 복수 개의 서브 디멘젼 변환부(131)들을 포함할 수 있다. 복수 개의 서브 디멘젼 변환부(131)들의 기능은 상술한 복수 개의 서브 디멘젼 변환부(111)의 기능과 동일할 수 있다. 제2디멘젼 변환부(130)는 데이터 특성값(Fp)으로부터 차원변환값(DFp)을 생성할 수 있다.
제2물리특성 적용부(140)는 차원변환값(DFp)을 변환하여 생성한 값인 변환 파라미터(MFp)를 생성할 수 있다. 일 실시예에서 서로 다른 차원변환값(DFp)은 서로 다른 서브 특성 적용부(141)에 의해 변환될 수 있다. 즉, 서로 다른 차원변환값(DFp)에 대응하는 서로 다른 데이터 특성값(Fp)은 서로 다른 서브 특성 적용부(141)에 의해 변환될 수 있다.
일 실시예에서 상기 각각의 데이터 특성값(Fp)은 상기 MRI 데이터(50)의 물리적 특성을 나타내는 파라미터일 수 있다. 그리고 서로 다른 데이터 특성값(Fp)이 나타내는 상기 물리적 특성은 서로 다를 수 있다. 이때, 각각의 상기 서브 특성 적용부(141)는 자신에게 대응하는 데이터 특성값(Fp)의 물리적 특성에 기초한 입출력 특성을 가질 수 있다.
이때, 제1데이터 특성값(F1)와 제p데이터 특성값(Fp)이 나타내는 물리적 특성이 서로 다르다면, 상기 제1서브 특성 적용부(1411)와 제k서브 특성 적용부(1412)의 입출력 특성은 서로 다를 수 있다.
일 실시예에서, 적어도 하나의 데이터 특성값(Fp)는 물리적 특성을 설명하는 것이 아닐 수도 있다.
일 실시예에서, 적어도 하나의 상기 서브 특성 적용부(141)는 사실상 생략될 수도 있다.
3. 구조 파라미터의 변환
임의의 구조 파라미터(SPq)의 데이터 형식은, 상기 임의의 구조 파라미터(SPq)가 입력되어야 하는 상기 레이어의 구조 및 데이터 형식에 부합하지 않을 수 있다. 예컨대, 상기 임의의 구조 파라미터(SPq)가 스칼라 값을 갖지만, 상기 임의의 구조 파라미터(SPq)가 입력되어야 하는 상기 레이어의 부분은 복수 개의 노드들로 구성될 수 있다. 또한 일 실시예에서 상기 복수 개의 노드들을 행렬형태로 주어질 수도 있다.
제3디멘젼 변환부(150)는, 임의의 구조 파라미터(SPq)의 데이터 형식을, 상기 임의의 구조 파라미터(SPq)가 입력되어야 하는 상기 레이어의 부분의 데이터의 형식에 부합하도록 변환할 수 있다. 예컨대 상기 변환에 따르면, 스칼라 값을 갖는 임의의 구조 파라미터(SPq)가 행렬 형태를 갖는 차원변환값(DSPq)으로 변환될 수 있다. 행렬 형태를 갖는 차원변환값(DSPq)의 행과 열의 개수는 각각 미리 결정된 규칙에 따를 수 있다. 이와 같이, 제3디멘젼 변환부(150)에 의해 구조 파라미터(SPq)의 차원이 확장될 수 있다.
일 실시예에서 제3디멘젼 변환부(150)는 복수 개의 서브 디멘젼 변환부(151; 1511, 1512, 1513)들을 포함할 수 있다. 서로 다른 구조 파라미터(SPq)는 서로 다른 서브 디멘젼 변환부(151)에 입력될 수 있다. 각각의 서브 디멘젼 변환부(151)는 입력된 상기 구조 파라미터를 미리 결정된 규칙에 의해 변환하여 상술한 차원변환값(DSPq)으로 변환할 수 있다. 출력된 각각의 차원변환값(DSPq)의 행과 열의 개수는, 상기 차원변환값(DSPq)이 입력되어야 하는 상기 레이어, 즉 상기 차원변환값(DSPq)에 대응되는 상기 구조 파라미터(SPq)가 입력되어야 하는 상기 레이어의 각 부분의 데이터의 형식에 부합하도록 변환할 수 있다.
제3물리특성 적용부(160)는 차원변환값(DSPq)을 변환하여 생성한 값인 변환 파라미터(MSPq)를 생성할 수 있다.
일 실시예에서 서로 다른 각각의 차원변환값(DSPq)은 서로 다른 각각의 서브 특성 적용부(161)에 의해 변환될 수 있다. 즉, 서로 다른 차원변환값(DSPq)에 대응하는 서로 다른 구조 파라미터(SPq)는 서로 다른 서브 특성 적용부(161)에 의해 변환될 수 있다.
일 실시예에서 상기 각각의 구조 파라미터(SPq)는 MRI 스캐너의 동작 원리를 설명하는 다양한 물리적 특성을 나타내는 파라미터일 수 있다. 그리고 서로 다른 구조 파라미터(SPq)가 나타내는 상기 물리적 특성은 서로 다를 수 있다. 이때, 각각의 상기 서브 특성 적용부(161)는 자신에게 대응하는 구조 파라미터(SPq)의 물리적 특성에 기초한 입출력 특성을 가질 수 있다.
일 실시예에서, 적어도 하나의 구조 파라미터(SPq)는 물리적 특성을 설명하는 것이 아닐 수도 있다.
일 실시예에서, 적어도 하나의 상기 서브 특성 적용부(161)는 사실상 생략될 수도 있다.
이제, 하나의 구조 파라미터가 하나의 변환 파라미터로 변환되는 과정을 예시한다. 예컨대, 제1구조 파라미터(901, SP1)는 제1서브 디멘젼 변환부(1511)에 의해 제1차원변환값(911, DSP1)으로 변환되고, 상기 제1차원변환값(911, DSP1)은 제1서브 특성 적용부(1611)에 의해 제1변환 파라미터(MSP1)로 변환될 수 있다. 그리고 마찬가지로 제k구조 파라미터(902, SPq)는 제k서브 디멘젼 변환부(1512)에 의해 제k차원변환값(912, DSPq)으로 변환되고, 상기 제k차원변환값(912, DSPq)은 제k서브 특성 적용부(1612)에 의해 제k변환 파라미터(MSPq)로 변환될 수 있다.
이때, 제1구조 파라미터(901, SP1)와 제k구조 파라미터(902, SPq)가 나타내는 상기 물리적 특성은 서로 다를 수 있다. 따라서 상기 제1서브 특성 적용부(1611)와 제k서브 특성 적용부(1612)의 입출력 특성은 서로 다를 수 있다.
도 7은 파라미터 변환부(10)의 일 구성을 나타낸 것이며, 본 발명이 이 구체적인 구성에 의해서 제한되는 것은 아니다.
<변환 파라미터들을 변환 네트워크부에 입력하는 방법>
도 8은 본 발명의 바람직한 일 실시예에 따라, 파라미터 변환부가 출력한 변환 파라미터들을 변환 네트워크부의 선택된 레이어에 입력하는 방식을 나타낸 것이다.
도 8에서 참조번호 210은 인풋 레이어, 220 및 221을 히든 레이어, 그리고 230은 아웃풋 레이어를 나타낸다.
MRI 데이터(50)가 인풋 레이어(210)에 입력되지만, 파라미터 변환부(10)가 출력한 변환 파라미터들(451~453, 851~853, 951~953; MCPk, MFp, MSPq)은 인풋 레이어(210)에는 입력되지 않는다.
도 8에서 동그라미 모양은 신경망의 노드를 나타내고, 제1화살표(651)는 화살표의 머리가 향하는 노드를 향해 복수 개의 인바운드 링크가 들어옴을 나타내고, 제2화살표(652)는 화살표의 꼬리에 붙어 있는 노드로부터 복수 개의 아웃바운드 링크가 나감을 나타내고, 제3화살표(653)는 화살표의 머리가 향하는 노드를 향해 오직 한 개의 인바운드 링크가 들어옴을 나타내고, 그리고 제4화살표(654)는 화살표의 꼬리에 붙어 있는 노드로부터 오직 한 개의 아웃바운드 링크가 나감을 나타낸다.
도 8에 나타낸 예에서, 변환 파라미터들(451~453, 851~853, 951~953; MCPk, MFp, MSPq)은 히든 레이어(220)의 선택된 복수 개의 노드들에 입력된다. 즉, 상기 선택된 복수 개의 노드들의 값은 변환 파라미터들(451~453, 851~853, 951~953; MCPk, MFp, MSPq)에 의해 결정된다. 그리고 도시된 바와 같이 상기 선택된 복수 개의 노드들에는 오직 한 개의 인바운드 링크만이 연결된다. 따라서 상기 히든 레이어(220)의 선택된 복수 개의 노드들의 값은 오직 변환 파라미터들(451~453, 851~853, 951~953; MCPk, MFp, MSPq)에 의해서만 결정된다.
이때, 인풋 레이어(210)를 구성하는 노드들의 개수보다 히든 레이어(220)를 구성하는 노드들의 개수가 더 적다.
도 8과 같이 변환 파라미터들(451~453, 851~853, 951~953; MCPk, MFp, MSPq)이 인풋 레이어(210)에 입력되지 않고 히든 레이어(220)에 입력되면 다음과 같은 유리한 효과가 있다.
예컨대 인풋 레이어(210)에 입력되는 MRI 데이터(50)가 N1 개의 픽셀로 구성되는 그레이 스케일 이미지 데이터인 경우 인풋 레이어(210)에는 적어도 N1 개의 노드들이 존재할 수 있다.
반면 변환 네트워크부(20)의 히든 레이어(220)는 N1보다 현저히 작은 개수인 N2 개의 노드들로 구성될 수 있다.
만일 변환 파라미터들(451~453, 851~853, 951~953; MCPk, MFp, MSPq)이 인풋 레이어(210)에 입력된다면 인풋 레이어(210)의 전체 크기에서 상기 변환 파라미터들이 차지하는 제1비율은 {변환 파라미터들의 크기}/{N1}이 될 것이다.
이에 비하여, 상기 변환 파라미터들이 히든 레이어(220)에 입력된다면 히든 레이어(220)의 전체 크기에서 상기 변환 파라미터들이 차지하는 제2비율은 {변환 파라미터들의 크기}/{N2}이 될 것이다.
이때, 상기 제2비율이 상기 제1비율보다 크다. 본 발명에서 중요한 학습 파라미터인 것으로 간주되는 상기 변환 파라미터들을 선택된 레이어에 입력하였을 때에, 상기 선택된 레이어에서 상기 변환 파라미터들이 차지하는 비율이 높을수록 학습이 빠른 속도로 진전될 수 있다는 유리한 효과가 있다.
<학습 완료된 변환 네트워크부를 이용한 MRI 데이터의 변환>
도 9는 도 6에서 학습 완료된 변환 네트워크부를 이용하여 MRI 데이터를 변환하는 MRI 데이터 변환장치의 구성을 나타낸 다이어그램이다.
MRI 데이터 변환장치(1)는, 변환 네트워크부(20) 및 특성 추출부(80)를 포함할 수 있다.
또한, MRI 데이터 변환장치(1)는, MRI 스캐너(30)에 설정된 사용자설정 파라미터를 획득하는 사용자설정 파라미터 획득부를 더 포함할 수 있다.
또한, MRI 데이터 변환장치(1)는, MRI 스캐너(30)를 구성하는 하드웨어 또는 소프트웨어의 제원을 나타내는 구조 파라미터를 획득하는 구조 파라미터 획득부(90)를 더 포함할 수 있다.
또한, MRI 데이터 변환장치(1)는, 파라미터 변환부(10)를 더 포함할 수 있다.
또한, MRI 데이터 변환장치(1)는, MRI 스캐너(30) 및 사용자설정 파라미터 결정부(40)를 더 포함할 수 있다.
도 9에서 우선, 사용자설정 파라미터 결정부(40)는, MRI 스캐너(30)의 사용자설정 파라미터(CPk)를 설정할 수 있다.
그 다음, MRI 스캐너(30)는, 스캔 대상을 스캔하여 생성한 MRI 데이터(50)를 출력할 수 있다.
그 다음, 특성 추출부(80)는, MRI 데이터(50)로부터 데이터 특성값들(Fp)을 산출할 수 있다.
그 다음, 구조 파라미터 획득부(90)는, MRI 스캐너(30)를 구성하는 하드웨어 또는 소프트웨어의 제원을 나타내는 구조 파라미터를 획득하여, 상기 획득한 구조 파라미터의 값(SPq)들을 출력할 수 있다.
그 다음, 파라미터 변환부(10)는, 상기 설정된 사용자설정 파라미터(CPk), 상기 산출된 데이터 특성값들(Fp), 및 상기 구조 파라미터들(SPq)을 변환 파라미터들(451~453, 851~853, 951~953; MCPk, MFp, MSPq)로 변환할 수 있다.
그 다음, MRI 데이터(50) 및 변환 파라미터들(451~453, 851~853, 951~953; MCPk, MFp, MSPq)을 변환 네트워크부(20)의 지정된 입력노드들에 입력하여 변환 네트워크부(20)를 동작시키면, 변환 네트워크부(20)은 MRI 데이터(50)을 변환한 변환정보(60)를 출력할 수 있다.
<변환 네트워크부의 학습방법>
도 10은 본 발명의 일 실시예에 따라 제공되는 변환 네트워크부를 학습시키는 방법을 나타낸 순서도이다.
단계(S10)에서 사용자설정 파라미터 결정부(40)가 MRI 스캐너(30)의 각종 사용자설정 파라미터들(CPk)을 결정할 수 있다.
단계(S11)에서 구조 파라미터 결정부(90)가 MRI 스캐너(30)의 각종 구조 파라미터(SPq)들을 획득할 수 있다.
단계(S20)에서 MRI 스캐너(30)가 스캔 대상을 스캔하여 MRI 데이터(50)를 출력할 수 있다.
단계(S30)에서 특성 추출부(80)가 MRI 데이터(50)의 데이터 포맷을 이용하는 해당 기술분야에서 잘 알려진 프로세싱 기술을 이용하여 MRI 데이터(50)로부터 데이터 특성값(Fp)을 추출할 수 있다.
단계(S40)에서, 출력된 MRI 데이터(50), 및 {결정된 사용자설정 파라미터들(CPk) 및/또는 추출된 데이터 특성값(Fp) 및/또는 획득한 구조 파라미터(SPq)}을 학습용 입력데이터로 이용하고, 상기 출력된 MRI 데이터에 대응하는 미리 준비된 레이블을 이용하여 변환 네트워크부를 지도학습할 수 있다.
<변환정보의 생성방법>
도 11은 본 발명의 일 실시예에 따라 제공되는 학습 완료된 변환 네트워크부를 이용하여 변환정보를 생성하는 방법을 나타낸 순서도이다.
단계(S110)에서 사용자설정 파라미터 결정부(40)가 MRI 스캐너(30)의 각종 사용자설정 파라미터들(CPk)을 결정할 수 있다.
단계(S111)에서 구조 파라미터 결정부(90)가 MRI 스캐너(30)의 각종 구조 파라미터(SPq)들을 획득할 수 있다.
단계(S120)에서 MRI 스캐너(30)가 스캔 대상을 스캔하여 MRI 데이터(50)를 출력할 수 있다.
단계(S130)에서 특성 추출부(80)가 MRI 데이터(50)의 데이터 포맷을 이용하는 해당 기술분야에서 잘 알려진 프로세싱 기술을 이용하여 MRI 데이터(50)로부터 데이터 특성값(Fp)을 추출할 수 있다.
단계(S140)에서, 출력된 MRI 데이터(50), 및 {결정된 사용자설정 파라미터들(CPk) 및/또는 추출된 데이터 특성값(Fp) 및/또는 획득한 구조 파라미터(SPq)}을 학습 완료된 변환 네트워크부에 입력하여 변환정보를 출력할 수 있다.
본 발명에서 제시한 MRI 스캐너((30)는 잘 알려진 기술에 따른 장치로서, 예컨대 샘플을 편광시키는(polarize) 메인 자석(main magnet), 메인 자기장(main magnetic field)의 불균일성(inhomogeneitiy)을 보정하기위한 심 코일(shim coil), 샘플을 자극(excite)하고 NMR 신호를 감지하는 RF 시스템 및 MR 신호를 국소화(localize)하기 위해 사용되는 그레디언트 시스템(gradient system)을 포함할 수 있다. 이 전체 시스템은 한 개 이상의 컴퓨터로 제어될 수 있다.
본 발명의 일 실시예에서, 변환 네트워크부(20) 및/또는 특성 추출부(80) 및/또는 파라미터 변환부(10)는, 범용 컴퓨터(general purpose computer)에 인스톨 된 소프트웨어에 의해 구현될 수 있다. 이 경우 MRI 데이터(50)는 상기 범용 컴퓨터에 입력정보로서 제공되며, 상기 변환정보(60)는 상기 범용 컴퓨터에 의해 출력될 수 있다.
본 발명의 다른 실시예에서, 상기 변환 네트워크부(20) 및/또는 특성 추출부(80) 및/또는 파라미터 변환부(10)는, 이들의 기능을 제공하는 전용 컴퓨팅 장치로서 제공될 수도 있다. 상기 전용 컴퓨팅 장치는 FPGA 및/또는 DSP(digital signal processor)를 포함하는 장치일 수 있다.
그리고 이때, 구조 파라미터 획득부(90)는, 상기 범용 컴퓨터 또는 전용 컴퓨팅 장치의 데이터 입력 인터페이스를 통해 상기 구조 파라미터에 관한 정보는 제공하는 장치로서, 사람이 직접 조작하는 사용자 입력 인터페이스이거나, 또는 MRI 스캐너(30)로부터 MRI 스캐너(30)의 구조 파라미터를 직접 검색하여 자동으로 상기 범용 컴퓨터 또는 상기 전용 컴퓨팅 장치에 제공하는 자동화된 컴퓨팅 장치일 수도 있다.
상기 구조 파라미터 획득부(90)는 상기 변환 네트워크부(20)를 포함하는 장치와 일체형으로 제공될 수도 있고, 또는 별도의 장치로서 제공될 수도 있다.
상기 사용자설정 파라미터 결정부(40)는, MRI 스캐너(30)와 일체형으로 제공될 수도 있고, 또는 별개의 장치로서 제공될 수도 있다.
상술한 본 발명의 실시예들을 이용하여, 본 발명의 기술 분야에 속하는 자들은 본 발명의 본질적인 특성에서 벗어나지 않는 범위 내에 다양한 변경 및 수정을 용이하게 실시할 수 있을 것이다. 특허청구범위의 각 청구항의 내용은 본 명세서를 통해 이해할 수 있는 범위 내에서 인용관계가 없는 다른 청구항에 결합될 수 있다.
<사사1>
1) 과제 고유번호 : 2018R1A2B3008445
2) 부처명 : 과학기술정보통신부
3) 연구관리전문기관 : 한국연구재단
4) 연구사업명 : 이공분야기초연구사업/중견연구자지원사업
5) 연구과제명 : 정량적 뇌 미세구조체 정보 영상화 기법 연구
6) 주관기관 : 서울대학교 산학협력단
7) 연구기간 : 2019.03.01 - 2020.02.29
<사사2>
1) 부처명 : 민간과제(삼성전자)
2) 연구관리전문기관 : 삼성전자
3) 연구사업명 : 삼성미래기술육성사업
4) 연구과제명 : 차세대 초고자기장 고온초전도 전신 MRI 자석을 위한 핵심 요소기술 개발
5) 주관기관 : 서울대학교 산학협력단
6) 연구기간 : 2018.06.01 - 2021.05.31.

Claims (15)

  1. MRI 스캐너가 출력한 MRI 데이터를 기초로 소정의 변환정보를 출력하는 변환 네트워크부를 포함하는 MRI 데이터 변환장치로서,
    상기 변환정보를 출력하기 위하여, 상기 변환 네트워크부에 상기 MRI 데이터 및 상기 MRI 스캐너의 장치특성에 관한 정보를 제공하는 것을 특징으로 하는,
    MRI 데이터 변환장치.
  2. 제1항에 있어서,
    상기 장치특성에 관한 정보는,
    상기 MRI 데이터로부터 산출되는 데이터 특성값,
    상기 MRI 스캐너의 사용자설정 파라미터, 및
    상기 MRI 스캐너를 구성하는 하드웨어 또는 소프트웨어의 제원(specification)을 나타내는 구조 파라미터,
    중 하나 이상을 포함하는,
    MRI 데이터 변환장치.
  3. 삭제
  4. 삭제
  5. MRI 스캐너가 출력한 MRI 데이터를 기초로 소정의 변환정보를 출력하는 변환 네트워크부를 포함하는 MRI 데이터 변환장치로서,
    상기 변환정보를 출력하기 위하여, 상기 변환 네트워크부에 상기 MRI 데이터 및 상기 MRI 스캐너의 장치특성에 관한 정보를 제공하고,
    상기 변환 네트워크부는 다층구조의 신경망을 포함하며,
    상기 장치특성에 관한 정보는 상기 신경망의 히든 레이어에 입력되는,
    MRI 데이터 변환장치.
  6. 제5항에 있어서,
    상기 장치특성에 관한 정보는 상기 히든 레이어를 구성하는 한 세트의 노드들에 입력되며,
    상기 한 세트의 노드들에 입력되는 정보는 오직 상기 장치특성에 관한 정보만을 포함하는,
    MRI 데이터 변환장치.
  7. 제6항에 있어서, 상기 한 세트의 노드들 중 임의의 노드의 아웃바운드 링크에 연결된 제3 레이어를 구성하는 노드들의 개수는 상기 신경망의 인풋 레이어를 구성하는 노드들의 개수보다 작은, MRI 데이터 변환장치.
  8. 제2항에 있어서, 상기 MRI 데이터는 이미지 데이터이고, 상기 데이터 특성값은 상기 이미지 데이터의 SNR, contrast, 및 aliasing 패턴 중 하나 이상을 포함하는, MRI 데이터 변환장치.
  9. 제1항에 있어서,
    파라미터 변환부;를 더 포함하고,
    상기 변환 네트워크부는 다층구조의 신경망을 포함하며,
    상기 파라미터 변환부는, 상기 MRI 스캐너의 사용자설정 파라미터를 획득하도록 되어 있고, 상기 획득한 사용자설정 파라미터를 변환하도록 되어 있으며, 그리고 상기 변환된 상기 사용자설정 파라미터를 상기 신경망의 히든 레이어에 제공하도록 되어 있는,
    MRI 데이터 변환장치.
  10. 제1항에 있어서,
    상기 장치특성에 관한 정보는, 상기 MRI 스캐너의 사용자설정 파라미터를 포함하며,
    상기 MRI 데이터 변환장치는,
    상기 사용자설정 파라미터의 디멘젼을 변환하여 제1차원변환값을 출력하는 디멘젼 변환부; 및
    상기 사용자설정 파라미터의 물리적 의미에 따라 결정되는 제1변환함수를 기초로 상기 제1차원변환값을 변환하여 제1변환 파라미터를 출력하는 물리특성 적용부;
    를 더 포함하는,
    MRI 데이터 변환장치.
  11. 제2항에 있어서, 상기 사용자설정 파라미터는 상기 MRI 스캐너의 스캔 파라미터를 포함하는, MRI 데이터 변환장치.
  12. MRI 데이터 변환장치의 사용자설정 파라미터 결정부가, MRI 스캐너의 사용자설정 파라미터들을 결정하는 단계;
    상기 MRI 데이터 변환장치의 MRI 스캐너가, 주어진 스캔 대상을 스캔하여 MRI 데이터를 출력하는 단계; 및
    상기 MRI 데이터 변환장치가, 학습 완료된 변환 네트워크부에 상기 출력된 MRI 데이터 뿐만 아니라, 상기 결정된 사용자설정 파라미터를 입력받아, 상기 학습 완료된 변환 네트워크부로부터 소정의 변환정보를 출력하는 단계;
    를 포함하는,
    MRI 데이터의 변환방법.
  13. 제12항에 있어서,
    상기 MRI 데이터 변환장치는
    MRI 데이터 변환장치의 사용자설정 파라미터 결정부가, MRI 스캐너의 사용자설정 파라미터들을 결정하는 단계;
    상기 MRI 데이터 변환장치의 MRI 스캐너가, 주어진 스캔 대상을 스캔하여 MRI 데이터를 출력하는 단계; 및
    상기 MRI 데이터 변환장치가, 상기 출력된 MRI 데이터 및 상기 출력된 MRI 데이터에 대응하는 미리 준비된 레이블을 이용하여 상기 MRI 데이터 변환장치의 변환 네트워크부를 지도학습하는 단계;
    를 포함하는 학습방법에 의해 학습된 것이며,
    상기 지도학습을 위한 학습용 입력데이터는 상기 출력된 MRI 데이터 뿐만 아니라, 상기 결정된 사용자설정 파라미터를 포함하는,
    MRI 데이터의 변환방법.
  14. 제1MRI 스캐너가 스캔 대상을 스캔하여 출력한 제1MRI 데이터를 기초로 상기 제1MRI 데이터로부터 변환된 소정의 변환정보를 출력하는 변환 네트워크부를 포함하는 MRI 데이터 변환장치로서,
    상기 변환정보를 출력하기 위하여, 상기 변환 네트워크부에 상기 제1MRI 데이터 및 상기 제1MRI 스캐너의 장치특성에 관한 정보를 제공하도록 되어 있으며,
    상기 제1MRI 스캐너의 장치특성은, 상기 제1MRI 스캐너와 다른 제2MRI 스캐너가 상기 스캔 대상을 스캔하여 출력한 제2MRI 데이터와 상기 제1MRI 데이터 간의 차이점을 유발하는 파라미터 값들로 구성되는,
    MRI 데이터 변환장치.
  15. 제14항에 있어서, 상기 파라미터 값들은, 상기 제1MRI 스캐너의 동작상태를 결정하는 사용자설정 파라미터, 상기 제1MRI 스캐너를 구성하는 제1하드웨어의 제원(specification)을 나타내는 구조 파라미터, 및 상기 제1MRI 데이터로부터 획득되는 데이터 특성값 중 하나 이상을 포함하는, MRI 데이터 변환장치.
KR1020200019741A 2020-02-18 2020-02-18 Mri 스캐너 고유의 장치특성정보를 이용하는 변환 네트워크부를 포함하는 mri 데이터 변환장치 및 이를 이용한 mri 데이터 변환방법 KR102322616B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200019741A KR102322616B1 (ko) 2020-02-18 2020-02-18 Mri 스캐너 고유의 장치특성정보를 이용하는 변환 네트워크부를 포함하는 mri 데이터 변환장치 및 이를 이용한 mri 데이터 변환방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200019741A KR102322616B1 (ko) 2020-02-18 2020-02-18 Mri 스캐너 고유의 장치특성정보를 이용하는 변환 네트워크부를 포함하는 mri 데이터 변환장치 및 이를 이용한 mri 데이터 변환방법

Publications (2)

Publication Number Publication Date
KR20210105472A KR20210105472A (ko) 2021-08-27
KR102322616B1 true KR102322616B1 (ko) 2021-11-05

Family

ID=77504671

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200019741A KR102322616B1 (ko) 2020-02-18 2020-02-18 Mri 스캐너 고유의 장치특성정보를 이용하는 변환 네트워크부를 포함하는 mri 데이터 변환장치 및 이를 이용한 mri 데이터 변환방법

Country Status (1)

Country Link
KR (1) KR102322616B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170061620A1 (en) 2015-09-01 2017-03-02 Samsung Electronics Co., Ltd. Method and apparatus for processing magnetic resonance image
US20180247195A1 (en) * 2017-02-28 2018-08-30 Anixa Diagnostics Corporation Methods for using artificial neural network analysis on flow cytometry data for cancer diagnosis
JP2018529134A (ja) 2015-06-02 2018-10-04 寛 陳 ディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザー
US20190220975A1 (en) * 2016-11-23 2019-07-18 General Electric Company Deep learning medical systems and methods for medical procedures

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018529134A (ja) 2015-06-02 2018-10-04 寛 陳 ディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザー
US20170061620A1 (en) 2015-09-01 2017-03-02 Samsung Electronics Co., Ltd. Method and apparatus for processing magnetic resonance image
US20190220975A1 (en) * 2016-11-23 2019-07-18 General Electric Company Deep learning medical systems and methods for medical procedures
US20180247195A1 (en) * 2017-02-28 2018-08-30 Anixa Diagnostics Corporation Methods for using artificial neural network analysis on flow cytometry data for cancer diagnosis

Also Published As

Publication number Publication date
KR20210105472A (ko) 2021-08-27

Similar Documents

Publication Publication Date Title
Moyer et al. Scanner invariant representations for diffusion MRI harmonization
US10896108B2 (en) Automatic failure detection in magnetic resonance apparatuses
US20130265044A1 (en) Magnetic resonance examination system with preferred settings based on data mining
CN109658468B (zh) 磁共振参数成像方法、装置、设备及存储介质
Bub In defense of a “single-world” interpretation of quantum mechanics
KR102322616B1 (ko) Mri 스캐너 고유의 장치특성정보를 이용하는 변환 네트워크부를 포함하는 mri 데이터 변환장치 및 이를 이용한 mri 데이터 변환방법
Ramirez‐Manzanares et al. Resolving axon fiber crossings at clinical b‐values: An evaluation study
US11880432B2 (en) Confidence measure for a deployed machine learning model
Bretthorst et al. Exponential model selection (in NMR) using Bayesian probability theory
US20210333346A1 (en) MRI data transforming device including an transforming network using an MRI data and additional information and an MRI data transforming method using the same
Perkusich et al. Using survey and weighted functions to generate node probability tables for Bayesian networks
KR102526487B1 (ko) 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치
CN112089419A (zh) 医学成像方法及系统，非暂态计算机可读存储介质
Zhang et al. Multi‐task convolutional neural network‐based design of radio frequency pulse and the accompanying gradients for magnetic resonance imaging
US20230044166A1 (en) Accelerated time domain magnetic resonance spin tomography
Lane et al. Package ‘gimme’
KR20230076920A (ko) Mri 이미지의 노이즈 제거를 위한 후처리 장치의 학습방법 및 이를 위한 컴퓨팅 장치
KR102128990B1 (ko) Mri 데이터 변환 방법 및 이를 위한 장치
CN111856365A (zh) 磁共振成像方法、磁共振成像方法及装置
KR102546620B1 (ko) 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치
EP4040180A1 (en) System and method for mri coil sensitivity estimation and reconstruction
Laili et al. Pattern-based validation metric for simulation models
Liu et al. Converged Deep Framework Assembling Principled Modules for CS-MRI
US20230140523A1 (en) Method for generating magnetic resonance image and magnetic resonance imaging system
CN108280862B (zh) 一种磁共振图像的重建方法及装置

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant