KR102426014B1

KR102426014B1 - 양자 공진 주파수와 t2 기반의 자기공명 영상 기법과 딥뉴럴 네트워크를 이용한 실시간 온도영상 획득 방법 및 장치

Info

Publication number: KR102426014B1
Application number: KR1020200164351A
Authority: KR
Inventors: 오창현; 김종민
Original assignee: 고려대학교 세종산학협력단
Priority date: 2019-12-04
Filing date: 2020-11-30
Publication date: 2022-07-27
Also published as: KR102426014B9; KR20210070207A

Abstract

본 발명에 따른 양자 공진 주파수와 T2 기반의 자기공명 영상 기법과 딥뉴럴 네트워크를 이용한 실시간 온도영상 획득 방법은 양자 공진 주파수와 T2 기반의 자기공명 영상 기법, 제 1 딥뉴럴 네트워크 및 제 2 딥뉴럴 네트워크를 이용하여 온도영상을 획득하는 방법에 있어서, 상기 자기공명 영상 기법을 통해 치료과정 전에 획득한 k-공간 전체 영역 및 치료과정 중 측정시점에 획득한 k-공간 일부 영역을 이용하여, 적어도 하나의 자기공명영상을 재구성하는 데이터 수집 단계; 상기 k-공간 일부 영역을 이용하여 재구성한 저해상도 자기공명영상을 제 1 딥뉴럴 네트워크를 통해 측정시점 고해상도 자기공명영상으로 변환하는 데이터 변환 단계; 및 변환된 측정시점 고해상도 자기공명영상을 기반으로 제 2 딥뉴럴 네트워크를 통해 온도를 계산하여 T2 기반의 온도영상을 재구성하는 온도 계산 단계를 포함한다.

Description

양자 공진 주파수와 T2 기반의 자기공명 영상 기법과 딥뉴럴 네트워크를 이용한 실시간 온도영상 획득 방법 및 장치{METHOD AND APPARATUS FOR REAL-TIME TEMPERATURE IMAGE ACQUISITION USING PROTON-RESONANCE-FREQUENCY-AND-T2-BASED MAGNETIC RESONANCE IMAGING SCHEME AND DEEP NEURAL NETWORK}

본 발명은 양자 공진 주파수와 T2 기반의 자기공명 영상 기법과 딥뉴럴 네트워크를 이용한 실시간 온도영상 획득 방법 및 장치에 관한 것이다. 더 구체적으로, 양자 공진 주파수와 T2 영상을 고속으로 얻을 수 있는 에코 이동시간 터보 스핀 에코 시퀀스와 2-에코 항정상태자유세차운동(Dual-Echo Steady State Free Precession, DESS Free Precession) 펄스 시퀀스를 사용한 자기공명 영상 기법에 관한 것이다.

자기공명 영상 기법(Magnetic Resonance Imaging Scheme, MRI Scheme)은 강력한 외부자장을 가지는 마그넷 내에 인체의 관심영역에 고주파(Radiofrequency, RF) 에너지를 가하여 관심 신체부위에 있는 수소원자핵을 공명시켜 해당조직으로부터 나오는 신호를 측정해 컴퓨터로 재구성하여 단면 및 3차원 영상화하는 진단 시스템이다.

구체적으로, 자기공명 영상 기법은 인체의 대부분을 차지하는 수분의 주요 성분인 수소 원자핵을 자기공명 영상화하여 환부의 진단과 진행상태를 쉽게 밝힐 수 있으며, 컴퓨터 단층촬영(CT)와 유사하지만 방사선을 전혀 사용하지 않고 자기장을 이용하여 고주파를 인체에 보내 영상을 만들어내는 구조를 가진다.

또한, 자기공명 영상 기법은 생체 내부를 영상화하는 방식으로 체내의 온도변화를 측정할 수 있다는 장점을 가지고 있으며, 대표적으로 양자 공진 주파수(Proton Resonance Frequency, PRF) 방법을 통해 온도 영상을 확보할 수 있다.

이에 따라, 최근에 경사자계 에코 기반의 자기공명 영상 기법은 집속 초음파, 고주파 온열 치료기 등의 효율성과 치료의 안전성을 높이기 위하여 시행되는 온도 모니터링에 활발히 활용되고 있다.

이러한, 경사자계 에코기반의 자기공명 영상 기법은 스핀 에코기반의 자기공명 영상 기법과 함께 널리 이용되고 있으며, 스핀 에코에서 사용되는 90° 펄스와 180° 펄스를 사용하지 않고 반복시간(TR)과 에코타임(TE)를 짧게 하여 빠른 스캔이 가능하다.

그런데, 상기한 양자 공진 주파수를 이용한 경사자계 에코기반의 자기공명 영상 기법은 다음과 같은 문제점이 있다.

종래의 양자 공진 주파수를 이용한 경사자계 에코기반의 자기공명 영상 기법은 수소결합이 존재하는 조직에서는 온도를 측정할 수 있지만, 수소결합이 존재하지 않는 지방질 조직에서는 온도의 변화를 측정할 수 없기 때문에, 양자 공진 주파수를 이용한 경사자계 에코기반의 자기공명 영상기법 이외의 방법으로 온도가 측정되어야 한다.

이중 대표적인 방법이 T1과 T2의 변화를 기반으로 온도변화를 측정하는 방법이며, 상기 T1의 변화를 기반으로 온도 변화를 측정하는 방법은 측정범위가 최소 실온에서 최대 섭씨 45 ~ 47 도까지인 한계점이 있다.

이에 따라, 집속 초음파, 고주파 온열 치료기를 사용하여, 상대적으로 높은 온도인 최소 실온에서 최대 섭씨 60 ~ 70 도까지의 높은 온도에서 치료를 진행하는 경우, 상기한 T1의 변화를 기반으로 온도변화를 측정하는 방법을 사용하기 힘든 문제점이 있다.

이에 반해, T2의 변화를 기반으로 온도변화를 측정하는 방법은 섭씨 60-70도의 높은 온도까지 온도 측정이 가능하여 특히, 열소작을 사용하는 열치료 방법에 유용하다. 더하여, 다중 RF스핀 에코를 사용하여 한 번의 펄스 시퀀스로 온도 영상의 획득이 가능하기 때문에 빠른 온도 영상 획득도 가능하다는 장점이 있다. 대한민국 등록특허공보 10-1165434호(2012.07.12. 공고)에는 "키홀 방법을 이용한 자기공명 온도 감시 영상 획득 방법"이 개시되어 있다.

본 발명의 실시예들은 상기와 같은 문제를 해결하기 위해 제안된 것으로서, 섭씨 50 ~ 70 도의 높은 온도범위에서 실시간으로 체내 지방질과 수분질의 온도변화를 동시에 측정할 수 있는 양자 공진 주파수와 T2 기반의 자기공명 영상기법과 딥뉴럴 네트워크를 이용한 실시간 온도영상 획득 시스템 및 장치를 제공하고자 한다.

본 발명의 일 실시예에 따른 양자 공진 주파수와 T2 기반의 자기공명 영상 기법과 딥뉴럴 네트워크를 이용한 실시간 온도영상 획득 방법은 양자 공진 주파수와 T2 기반의 자기공명 영상 기법, 제 1 딥뉴럴 네트워크 및 제 2 딥뉴럴 네트워크를 이용하여 온도영상을 획득하는 방법에 있어서, 상기 자기공명 영상 기법을 통해 치료과정 전에 획득한 k-공간 전체 영역 및 치료과정 중 측정시점에 획득한 k-공간 일부 영역을 이용하여, 적어도 하나의 자기공명영상을 재구성하는 데이터 수집 단계; 상기 k-공간 일부 영역을 이용하여 재구성한 저해상도 자기공명영상을 제 1 딥뉴럴 네트워크를 통해 측정시점 고해상도 자기공명영상으로 변환하는 데이터 변환 단계; 및 변환된 측정시점 고해상도 자기공명영상을 기반으로 제 2 딥뉴럴 네트워크를 통해 온도를 계산하여 T2 기반의 온도영상을 재구성하는 온도 계산 단계를 포함한다.

또한, 상기 데이터 수집 단계는, 치료과정 전에, 최초 RF 펄스를 L번만큼 인가하되, 상기 최초 RF 펄스가 인가될 때마다 m개의 재집속 RF 펄스를 각각 n1번만큼 피사체에 인가하는 단계; 각각의 재집속 RF 펄스에 대하여 n2개의 에코신호를 얻어, m셋의 서로 다른 에코타임에서 L x n1 x n2개의 라인 데이터를 갖는 k-공간 전체 영역을 획득하는 단계; 및 획득한 m셋의 k-공간 전체 영역이 포함하는 라인 데이터를 푸리에 변환을 이용하여 m셋의 레퍼런스 고해상도 자기공명영상으로 재구성하는 단계를 포함할 수 있다.

또한, 상기 데이터 수집 단계는, 치료과정 중 측정시점에, 최초 RF 펄스를 L번보다 작은 p번만큼 인가하되, 상기 최초 RF 펄스가 인가될 때마다 m개의 재집속 RF 펄스를 각각 n1번만큼 피사체에 인가하는 단계; 각각의 재집속 RF펄스에 대하여 n2개의 에코신호를 얻어, m셋의 다른 에코타임에서 p x n1 x n2개의 라인 데이터를 갖는 k-공간 일부 영역을 획득하는 단계; 및 획득한 m셋의 k-공간 일부 영역이 포함하는 라인 데이터를 푸리에 변환을 이용하여 m셋의 측정시점 저해상도 자기공명영상을 재구성하는 단계를 포함한다.

또한, 상기 데이터 변환 단계는, 상기 m셋의 레퍼런스 고해상도 자기공명영상에 포함된 레퍼런스 매그니튜드 데이터와 상기 m셋의 측정시점 저해상도 자기공명영상에 포함된 측정시점 실수부 데이터 및 측정시점 허수부 데이터를 각각 추출하여 측정시점 콤비네이션 자기공명영상으로 재조합하는 단계; 및 재조합된 측정시점 콤비네이션 자기공명영상을 상기 제 1 딥뉴럴 네트워크를 통해 m셋의 측정시점 고해상도 자기공명영상으로 재구성하는 단계를 포함할 수 있다.

또한, 상기 온도 계산 단계는, 상기 m셋의 측정시점 고해상도 자기공명영상 중 기 선택된 에코타임을 갖는 하나의 셋에 포함된 측정시점 위상 데이터를 추출하는 단계; 상기 데이터 수집 단계의 상기 m셋의 레퍼런스 고해상도 자기공명영상 중 상기 측정시점 위상 데이터를 추출하는 단계의 기 선택된 에코타임과 동일한 에코타임에 해당하는 하나의 셋에 포함된 레퍼런스 위상 데이터를 추출하는 단계; 및 상기 레퍼런스 위상 데이터와 상기 측정시점 위상 데이터의 차분을 이용하여 양자 공진 주파수 변화 영상을 획득하는 단계를 포함한다.

또한, 상기 온도 계산 단계는, 상기 데이터 수집 단계의 상기 m셋의 레퍼런스 고해상도 자기공명영상에 포함된 m셋의 레퍼런스 매그니튜드 데이터를 추출하는 단계; 상기 m셋의 레퍼런스 매그니튜드 데이터를 이용하여 상기 제 2 딥뉴럴 네트워크를 통해 레퍼런스 T2 영상을 추출하는 단계; 상기 데이터 변환 단계의 m셋의 측정시점 고해상도 자기공명영상에 포함된 m셋의 측정시점 매그니튜드 데이터 추출하는 단계; 상기 m셋의 측정시점 매그니튜드 데이터를 이용하여 상기 제 2 딥뉴럴 네트워크를 통해 측정시점 T2 영상을 추출하는 단계; 및 상기 레퍼런스 T2 영상과 측정시점 T2 영상의 차분을 이용하여 T2 변화 영상을 획득하는 단계를 포함할 수 있다.

또한, 상기 온도 계산 단계는, 상기 양자 공진 주파수 변화 영상과 상기 T2 변화 영상을 재조합하여 T2 기반의 온도영상으로 재구성하는 단계를 포함한다.

본 발명의 실시예들에 따른 양자 공진 주파수와 T2 기반의 자기공명 영상기법과 딥뉴럴 네트워크를 이용한 실시간 온도영상 획득 시스템 및 장치는 섭씨 50 ~ 70 도의 높은 온도범위에서 실시간으로 체내 지방질과 수분질의 온도변화를 동시에 측정할 수 있는 효과가 있다.

도 1은 본 발명의 일 실시예에 따른 양자 공진 주파수와 T2 기반의 자기공명 영상 기법과 딥뉴럴 네트워크를 이용한 실시간 온도영상 획득 방법을 도시한 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 데이터 수집 단계에서 자기공명영상을 재구성하는 단계를 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 데이터 변환 단계에서 저해상도 자기공명영상을 고해상도 자기공명영상으로 변환하는 단계를 설명하기 위한 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 온도 계산 단계에서 온도영상을 재구성하는 단계를 설명하기 위한 흐름도이다.
도 5 및 도 6은 본 발명의 일 실시예에 따른 에코 이동시간 터보 스핀 에코 시퀀스를 설명하기 위한 개략적인 도면이다.
도 7 및 도 8은 본 발명의 일 실시예에 따른 k-공간 영역의 라인 데이터를 개략적으로 설명하기 위한 개략적인 도면이다.
도 9는 본 발명의 일 실시예에 따른 양자 공진 주파수와 T2 기반의 자기공명 영상 기법과 딥뉴럴 네트워크를 이용한 실시간 온도영상 획득 방법을 세부적으로 설명하기 위한 도면이다.
도 10은 본 발명의 다른 실시예에 따른 2-에코 항정상태자유세차운동 펄스 시퀀스를 설명하기 위한 개략적인 도면이다.
도 11은 본 발명의 다른 실시예에 따른 k-공간 영역의 라인 데이터를 개략적으로 설명하기 위한 도면이다.
도 12는 본 발명의 다른 실시예에 따른 양자 공진 주파수와 T2 기반의 자기공명 영상 기법과 딥뉴럴 네트워크를 이용한 실시간 온도영상 획득 방법을 세부적으로 설명하기 위한 도면이다.
도 13은 본 발명의 양자 공진 주파수와 T2 기반의 자기공명 영상 기법과 딥뉴럴 네트워크를 이용한 실시간 온도영상 획득 장치를 도시한 도면이다.

본 발명의 다른 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술 되는 실시 예를 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예는 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

만일 정의되지 않더라도, 여기서 사용되는 모든 용어들(기술 혹은 과학 용어들을 포함)은 이 발명이 속한 종래 기술에서 보편적 기술에 의해 일반적으로 수용되는 것과 동일한 의미를 가진다. 일반적인 사전들에 의해 정의된 용어들은 관련된 기술 그리고/혹은 본 출원의 본문에 의미하는 것과 동일한 의미를 갖는 것으로 해석될 수 있고, 그리고 여기서 명확하게 정의된 표현이 아니더라도 개념화되거나 혹은 과도하게 형식적으로 해석되지 않을 것이다.

본 명세서에서 사용된 용어는 실시 예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 '포함한다' 및/또는 이 동사의 다양한 활용형들 예를 들어, '포함', '포함하는', '포함하고', '포함하며' 등은 언급된 조성, 성분, 구성요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 조성, 성분, 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다. 본 명세서에서 '및/또는' 이라는 용어는 나열된 구성들 각각 또는 이들의 다양한 조합을 가리킨다.

한편, 본 명세서 전체에서 사용되는 '~부', '~기', '~블록', '~모듈' 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미할 수 있다. 예를 들어 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미할 수 있다. 그렇지만 '~부', '~기', '~블록', '~모듈' 등이 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부', '~기', '~블록', '~모듈'은 어드레싱 할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다.

따라서, 일 예로서 '~부', '~기', '~블록', '~모듈'은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '~부', '~기', '~블록', '~모듈'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부', '~기', '~블록', '~모듈'들로 결합되거나 추가적인 구성요소들과 '~부', '~기', '~블록', '~모듈'들로 더 분리될 수 있다.

이하에서는 본 발명의 구체적인 실시예들에 대하여 도면을 참조하여 상세히 설명한다.

아울러 본 발명을 설명함에 있어서, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다.

도 1은 본 발명의 일 실시예에 따른 양자 공진 주파수와 T2 기반의 자기공명 영상 기법과 딥뉴럴 네트워크를 이용한 실시간 온도영상 획득 방법을 도시한 흐름도이고, 도 2는 본 발명의 일 실시예에 따른 데이터 수집 단계에서 자기공명영상을 재구성하는 단계를 설명하기 위한 흐름도이고, 도 3은 본 발명의 일 실시예에 따른 데이터 변환 단계에서 저해상도 자기공명영상을 고해상도 자기공명영상으로 변환하는 단계를 설명하기 위한 흐름도이고, 도 4는 본 발명의 일 실시예에 따른 온도 계산 단계에서 온도영상을 재구성하는 단계를 설명하기 위한 흐름도이고, 도 5 및 도 6은 본 발명의 일 실시예에 따른 에코 이동시간 터보 스핀 에코 시퀀스를 설명하기 위한 개략적인 도면이고, 도 7 및 도 8은 본 발명의 일 실시예에 따른 k-공간 영역의 라인 데이터를 개략적으로 설명하기 위한 개략적인 도면이고, 도 9는 본 발명의 일 실시예에 따른 양자 공진 주파수와 T2 기반의 자기공명 영상 기법과 딥뉴럴 네트워크를 이용한 실시간 온도영상 획득 방법을 세부적으로 설명하기 위한 도면이다.

먼저, 본 발명이 적용되는 양자 공진 주파수와 T2 기반의 자기공명 영상 기법 및 딥뉴럴 네트워크에 대해서 설명하도록 한다.

본 발명이 적용되는 양자 공진 주파수와 T2 기반의 자기공명 영상 기법은 촬영 피사체에 대해 자기공명 자장을 가하여 발생되는 신호를 획득할 수 있도록 하는 자기공명 기기 및 자기공명 기기의 구동을 제어하여 자기공명 영상을 촬영 및 처리하는 영상처리 기기로 구성될 수 있다.

더 구체적으로, 상기한 자기공명 기기는 피사체에 대해 자장을 가하기 위한 주자석, RF 코일 및 복수의 경사 자계코일과, RF 코일 및 경사자계 코일에 인가된 펄스에 의해 피사체 내의 원자핵의 스핀이 여기되어 발생된 에코신호를 획득하는 수신 코일을 포함할 수 있다.

또한, 이러한 자기공명 기기의 복수의 코일들은 각각 영상처리 기기로부터 출력되는 펄스 시퀀스가 인가되거나 또는 자기공명 기기 내에서 획득된 에코신호를 영상처리 기기 측으로 전송할 수 있도록 연결된다.

더하여, 딥뉴럴 네트워크는 더 작은 아키텍처의 깊이와 너비를 따라 뉴럴 네트워크의 레이어를 쌓아 구현하는 강력한 범주의 기계학습 알고리즘으로, 최근 광범위한 응용프로그램에서 차별성 있으며 다양한 표현 학습기능을 제공한다.

구체적으로, 딥뉴럴 네트워크는 학습을 위해 많은 양의 주석이 달린 데이터가 필요하며, 효율적인 학습 알고리즘을 사용하여 수백만 개의 레이블이 있는 이미지를 분리할 수 있다. 이에 따라, 딥뉴럴 네트워크는 유사한 데이터 세트에 대한 효율적인 이미지 표현을 학습하는데 사용된다.

도 1 내지 도 9을 참조하면, 본 발명의 일 실시예에 따른 양자 공진 주파수와 T2 기반의 자기공명 영상 기법과 딥뉴럴 네트워크를 이용한 실시간 온도영상 획득 방법은 양자 공진 주파수와 T2 기반의 자기공명 영상 기법, 제 1 딥뉴럴 네트워크 및 제 2 딥뉴럴 네트워크를 이용하여 온도영상을 획득하는 방법에 있어서, 상기 자기공명 영상 기법을 통해 치료과정 전에 획득한 k-공간 전체 영역 및 치료과정 중 측정시점에 획득한 k-공간 전체 영역 중의 기설정된 일부의 영역인 k-공간 일부 영역을 이용하여, 적어도 하나의 자기공명영상을 재구성하는 데이터 수집 단계(S100), 상기 k-공간 일부 영역을 이용하여 재구성한 저해상도 자기공명영상을 제 1 딥뉴럴 네트워크를 통해 측정시점 고해상도 자기공명영상으로 변환하는 데이터 변환 단계(S200) 및 변환된 측정시점 고해상도 자기공명영상을 기반으로 제 2 딥뉴럴 네트워크를 통해 온도를 계산하여 T2 기반의 온도영상을 재구성하는 온도 계산 단계(S300)로 구성된다.

1) 데이터 수집 단계(S100)

도 2에 도시된 바와 같이, 본 발명의 일 실시예에 따른 치료과정 전에 획득한 k-공간 전체 영역 및 치료과정 중 측정시점에 획득한 일부 영역의 데이터를 이용하여, 적어도 하나의 자기공명영상을 재구성하는 데이터 수집 단계는, 에코 시간이동 터보 스핀 에코 기반의 자기공명 영상 기법을 통해, 치료과정 전에, 최초 RF 펄스를 L번만큼 인가하되, 상기 최초 RF 펄스가 인가될 때마다 m개의 재집속 RF 펄스를 각각 n1번만큼 피사체에 인가하는 단계로 시작된다(S110).

구체적으로, 동일한 숙임각을 갖는 최초 RF 펄스를 L번 인가하고, 상기 최초 RF 펄스와 다른 숙임각을 가지되, 서로 동일한 숙임각을 갖는 m개의 재집속 RF 펄스 중 각각의 재집속 RF 펄스를 n1번만큼 인가한다.

이 때, m개의 재집속 RF 펄스는 서로 다른 에코타임을 갖는 재집속 RF 펄스일 수 있다.

예를 들어, 2개의 재집속 RF 펄스가 있다고 가정할 때, 하나의 재집속 RF 펄스는 상기 최초 RF 펄스와 가장 인접한 재집속 RF 펄스이고, 다른 하나의 재집속 RF 펄스는 상기 가장 인접한 재집속 RF 펄스보다 멀리 떨어진 재집속 RF 펄스이다.

즉, 상기 하나의 재집속 RF 펄스는 제 1 에코타임을 갖는 재집속 RF 펄스이고, 상기 다른 하나의 재집속 RF 펄스는 제 2 에코타임을 갖는 재집속 RF 펄스이다.

또한, L개의 최초 RF 펄스를 인가한 후 인가된 최초 RF 펄스마다 m x n1개의 재집속 RF 펄스를 인가하여, 피사체에 대해 RF스핀 에코신호(Spin Echo) 및 경사자계 에코신호(Gradient Echo)를 포함하는 에코신호를 얻을 수 있다. 여기서, L, m, n1은 양의 정수이다.

구체적으로, 하나의 재집속 RF 펄스에 대해 n2개의 에코신호를 얻을 수 있으며, 여기서, n2는 양의 정수이다.

더 구체적으로, 재집속 RF 펄스는 반복적으로 인가될 수 있으며, 재집속 RF 펄스 사이의 간격은 기본 펄스 시퀀스 파라미터인 반복시간(TR)으로 일정하다.

도 5 및 도 6을 참조하면, 본 발명의 따른 L개의 최초 RF 펄스와 m x n1개의 재집속 RF 펄스 시퀀스가 나타나 있으며, 최초 RF 펄스를 인가한 후 n2개의 에코신호(제 1 에코신호, 제 2 에코신호, 제 3 에코신호, ??, 제 n2 에코신호) 를 얻을 수 있다. 또한, 최초 RF 펄스와 상기 최초 RF 펄스와 가장 인접한 재집속 RF 펄스 사이의 에코타임(TE)은 TE/2로 설정될 수 있으며, 상기한 재집속 RF 펄스가 발생한 후 TE/2 만큼 지난 후 하나의 에코신호를 얻는다.

더하여, 하나의 에코신호를 얻은 후 에코 이동시간(┚)이 지나면, 다른 하나의 에코신호를 얻을 수 있다.

다시 말해, 재집속 RF 펄스 중심에서 에코신호 중심까지의 시간인 에코타임(TE)은 최초 RF 펄스와 상기 최초 RF 펄스와 가장 인접한 재집속 RF 펄스 사이의 시간인 TE/2와 동일하며, m x n1개의 재집속 RF 펄스가 인가된 경우 n2개의 에코신호를 얻을 수 있으며, 예를 들어, 제 1 에코신호를 얻으면, 에코 이동시간(┚) 이후 제 2 에코신호를 얻을 수 있다.

또한, 상기한 에코신호들로 k-공간을 생성하여 라인 데이터를 채울 수 있다.

다음으로, S110단계 이후 각각의 재집속 RF펄스에 대하여 n2개의 에코신호를 얻어, m셋의 서로 다른 에코타임에서 L x n1 x n2개의 라인 데이터를 갖는 k-공간 전체 영역을 획득하는 단계(S120)를 수행한다.

예를 들어, 도 7을 참조하면, m셋의 k-공간이 생성될 수 있으며, 상기 k-공간은 각각 L x n1 x n2 개의 라인 데이터를 가질 수 있다. 이 때, 상기 라인 데이터는 스핀 에코신호 및 경사자계 에코신호를 포함하는 에코신호로 정의된다.

이로써, 본 발명의 일 실시예에 따른 데이터 수집 단계(S100)에서는 L x n1 x n2 개의 라인 데이터를 갖는 m셋의 k-공간 전체 영역을 획득할 수 있다.

다음으로, S110단계 및 S120단계에서 획득한 m셋의 k-공간 전체 영역이 포함하는 라인 데이터를 푸리에 변환을 이용하여 m셋의 레퍼런스 고해상도 자기공명영상으로 재구성한다(S130).

구체적으로, 레퍼런스 고해상도 자기공명영상은 m셋의 k-공간 전체 영역이 포함하는 라인 데이터를 이용하여 재구성된 영상이므로 각각의 k-공간 전체 영역과 대응되어 m셋만큼 생성될 수 있으며, 상기한 영상은 k-공간 전체 영역이 포함하는 라인 데이터를 고속 푸리에 변환(Fast Fourier Transformation)한 뒤 얻을 수 있다.

다음으로, 치료과정 중 측정시점에, 최초 RF 펄스를 L번보다 작은 p번만큼 인가하되, 상기 최초 RF 펄스가 인가될 때마다 m개의 재집속 RF 펄스를 각각 n1번만큼 피사체에 인가하는 단계를 수행한다(S140).

상기 S110단계와 같이, 최초 RF 펄스와 재집속 RF 펄스는 일반적으로 알려진 RF 펄스 시퀀스를 의미한다.

구체적으로, 상기 S110단계와 달리, p번의 최초 RF 펄스를 인가한 후 인가된 최초 RF 펄스마다 m x n1개의 재집속 RF 펄스를 인가하여, 피사체에 대해 에코신호를 얻을 수 있다. 여기서, p은 양의 정수이다.

더하여, 하나의 재집속 RF 펄스에 대해 n2개의 에코신호를 얻는다. 여기서, m, n2은 양의 정수이다.

이후, 각각의 재집속 RF펄스에 대하여 n2개의 에코신호를 얻어, m셋의 다른 에코타임에서 p x n1 x n2개의 라인 데이터를 갖는 k-공간 일부 영역을 획득한다(S150).

예를 들어, 도 8을 참조하면, m셋의 k-공간이 생성될 수 있으며, 상기 k-공간은 각각 p x n1 x n2 개의 라인 데이터를 가질 수 있다.

이로써, 본 발명의 일 실시예에 따른 데이터 수집 단계(S100)에서는 p x n1 x n2 개의 라인 데이터를 갖는 m셋의 k-공간 일부 영역을 획득할 수 있다.

또한, k-공간 일부 영역의 라인 데이터는 k-공간 전체 영역의 라인 데이터에서 중간 영역의 데이터인 것이 바람직하며, 이는 중간 영역(낮은 공간 주파수 영역)이 많은 변화를 포함하고 있어 고려할 만한 가치가 높기 때문이다. 이로써, 중간 영역의 데이터를 획득하기 위한 위상 부호화 수의 감소에 비례하여 전체적인 촬영시간을 감소시킬 수 있다.

다음으로, S140단계 및 S150단계에서 획득한 m셋의 k-공간 일부 영역이 포함하는 라인 데이터를 푸리에 변환을 이용하여 m셋의 측정시점 저해상도 자기공명영상을 재구성한다(S160).

구체적으로, 측정시점 저해상도 자기공명영상은 n개의 k-공간 일부 영역이 포함하는 라인 데이터를 이용하여 재구성된 영상이므로 각각의 k-공간 일부 영역과 대응되어 m셋 만큼 생성될 수 있으며, 상기 영상은 k-공간 일부 영역이 포함하는 라인 데이터를 고속 푸리에 변환(Fast Fourier Transformation)한 뒤 얻을 수 있다.

2) 데이터 변환 단계(S200)

도 3을 참조하면, 본 발명의 일 실시예에 따른 제 1 딥뉴럴 네트워크를 통해 k-공간 일부 영역을 이용하여 재구성한 저해상도 자기공명영상을 고해상도 자기공명영상으로 변환하는 데이터 변환 단계는, 상기 데이터 수집 단계(S100)의 상기 m셋의 레퍼런스 고해상도 자기공명영상에 포함된 레퍼런스 매그니튜드 데이터와 상기 m셋의 측정시점 저해상도 자기공명영상에 포함된 측정시점 실수부 데이터 및 측정시점 허수부 데이터를 각각 추출하여 측정시점 콤비네이션 자기공명영상으로 재조합하는 단계로 시작된다(S210).

일반적으로, 자기공명 영상 기법은 에코신호들로 채워진 k-공간으로부터 신호들을 분리하여 영상 처리를 수행할 수 있다.

더하여, 자기공명 영상 기법은 처리된 영상들을 재조합하여 하나의 자기공명영상을 재구성할 수 있으며, 상기한 자기공명영상은 실수부 데이터, 허수부 데이터, 매그니튜드 데이터, 위상 데이터를 포함하고, 각각의 실수부 데이터, 허수부 데이터, 매그니튜드 데이터, 위상 데이터들은 이미지화되어 출력될 수 있다.

구체적으로, 본 발명에 따른 상기 m셋의 레퍼런스 고해상도 자기공명영상에 포함된 레퍼런스 매그니튜드 데이터와 상기 m셋의 측정시점 저해상도 자기공명영상에 포함된 측정시점 실수부 데이터 및 측정시점 허수부 데이터를 이용하여, 레퍼런스 매그니튜드 데이터와 측정시점 실수부 데이터 및 측정시점 허수부 데이터를 허수부와 실수부 별로 독립적으로 조합하여 하나의 측정시점 콤비네이션 자기공명영상(제 1 측정시점 콤비네이션 자기공명영상)을 얻는다.

다음으로, 재조합된 측정시점 콤비네이션 자기공명영상을 상기 제 1 딥뉴럴 네트워크를 통해 m셋의 측정시점 고해상도 자기공명영상으로 재구성한다(S220).

이로써, m셋의 k-공간 일부 영역이 포함하는 라인 데이터로 재구성된 측정시점 저해상도 자기공명영상은 m셋의 측정시점 고해상도 자기공명영상으로 재구성될 수 있는 것이며, 마찬가지로, 상기 측정시점 고해상도 자기공명영상도 실수부 데이터, 허수부 데이터, 매그니튜드 데이터, 위상 데이터를 포함하고, 각각의 데이터들은 이미지화되어 출력된다.

3) 온도 계산 단계(S300)

도 4에 도시된 바와 같이, 본 발명의 일 실시예에 따른 상기 제 2 딥뉴럴 네트워크를 통해 m셋의 측정시점 고해상도 자기공명영상과 상기 데이터 수집 단계(S100)에서 재구성한 자기공명영상을 기반으로 온도영상을 재구성하는 온도 계산 단계(S300)는, 상기 S200단계의 상기 m셋의 측정시점 고해상도 자기공명영상 중 기 선택된 에코타임을 갖는 하나의 셋에 포함된 측정시점 위상 데이터를 추출하는 단계로 시작된다(S310).

구체적으로, S310단계에서는, S200단계의 m셋의 측정시점 고해상도 자기공명영상 중에서 신호 대 잡음비가 가장 높은 값을 나타내는 재집속 RF 펄스를 선택하고, 기 선택된 하나의 재집속 RF 펄스에 대응되는 1개의 셋에 포함된 측정시점 위상 데이터를 추출하는 것이 바람직하다.

예를 들어, 신호 대 잡음비가 가장 높은 값을 나타내는 재집속 RF 펄스가 최초 RF 펄스와 가장 인접한 제 1 에코타임을 갖는 재집속 RF 펄스인 경우, 상기 제 1 에코타임을 갖는 재집속 RF 펄스 셋에 포함된 측정시점 위상 데이터를 추출한다.

다음으로, 상기 데이터 수집 단계(S100)의 m셋의 레퍼런스 고해상도 자기공명영상 중 상기 측정시점 위상 데이터를 추출하는 단계의 기 선택된 에코타임과 동일한 에코타임에 해당하는 하나의 셋에 포함된 레퍼런스 위상 데이터를 추출한다(S320).

마찬가지로, S320단계에서는, S310단계에서 기 선택된 재집속 RF 펄스가 최초 RF 펄스와 가장 인접한 제 1 에코타임을 갖는 재집속 RF 펄스인 경우, 상기 제 1 에코타임을 갖는 재집속 RF 펄스 셋에 포함된 레퍼런스 위상 데이터를 추출할 수 있다.

앞서 설명한 바와 같이, 상기 측정시점 고해상도 자기공명영상은 실수부 데이터, 허수부 데이터, 매그니튜드 데이터, 위상 데이터를 포함하고 있으며, 이 중 위상 데이터를 따로 추출할 수 있다.

다음으로, 상기 레퍼런스 위상 데이터와 상기 측정시점 위상 데이터의 차분을 이용하여 양자 공진 주파수 변화 영상을 획득한다(S330).

구체적으로, S310단계에서 추출된 레퍼런스 고해상도 자기공명영상에 포함된 1개의 위상 데이터와 320단계에서 추출된 측정시점 고해상도 자기공명영상에 포함된 1개의 위상 데이터의 위상 차분을 이용하여 정해진 시간 간격에 따른 수소자기공명 영상을 얻을 수 있으며, 상기 수소자기공명 영상은 양자 공진 주파수(Proton Resonance Frequency, PRF)방법을 이용하여 구현될 수 있다.

다음으로, 치료과정 전에, m셋의 레퍼런스 고해상도 자기공명영상에 포함된 m셋의 레퍼런스 매그니튜드 데이터를 추출하는 단계를 수행한다(S340).

앞서 설명한 바와 같이, 상기 레퍼런스 고해상도 자기공명영상은 실수부 데이터, 허수부 데이터, 매그니튜드 데이터, 위상 데이터를 포함하고 있으며, 이 중 매그니튜드 데이터를 따로 추출할 수 있다.

다음으로, 데이터 수집 단계(S100)에서 m셋의 레퍼런스 매그니튜드 데이터를 이용하여 상기 제 2 딥뉴럴 네트워크를 통해 레퍼런스 T2 영상을 추출한다(S350).

다음으로, 데이터 변환 단계(S200)의 m셋의 측정시점 고해상도 자기공명영상에 포함된 m셋의 측정시점 매그니튜드 데이터 추출하는 단계를 수행한다(S360).

앞서 설명한 바와 같이, 상기 측정시점 고해상도 자기공명영상은 실수부 데이터, 허수부 데이터, 매그니튜드 데이터, 위상 데이터를 포함하고 있으며, 이 중 매그니튜드 데이터를 따로 추출할 수 있다.

다음으로, 데이터 수집 단계(S100)의 m셋의 측정시점 매그니튜드 데이터를 이용하여 상기 제 2 딥뉴럴 네트워크를 통해 측정시점 T2 영상를 추출한다(S370).

다음으로, 상기 레퍼런스 T2 영상과 측정시점 T2 영상의 차분을 이용하여 T2 변화 영상을 획득한다(S380).

다시 말해, S340단계에서 추출된 레퍼런스 고해상도 자기공명영상에 포함된 m셋의 레퍼런스 매그니튜드 데이터와 360단계에서 추출된 측정시점 고해상도 자기공명영상에 포함된 m셋의 측정시점 매그니튜드 데이터를 이용하여 제 2 딥뉴럴 네트워크를 통해 T2 영상(T2 Image)을 얻을 수 있다.

다음으로, 양자 공진 주파수 변화 영상과 T2 변화 영상을 재조합하여 T2기반의 온도영상으로 재구성한다(S390).

이로써, 본 발명의 일 실시예에 따른 양자 공진 주파수와 T2 기반의 자기공명 영상 기법과 딥뉴럴 네트워크를 이용한 실시간 온도영상 획득 방법은 에코 시간이동 터보 스핀 에코 시퀀스를 이용하여 종래의 기술에서 불가능했던 실시간으로 지방질과 수분질의 온도변화를 동시에 측정할 수 있다.

도 10은 본 발명의 다른 실시예에 따른 2-에코 항정상태자유세차운동 펄스 시퀀스를 설명하기 위한 개략적인 도면이고, 도 11은 본 발명의 다른 실시예에 따른 k-공간 영역의 라인 데이터를 개략적으로 설명하기 위한 도면이고, 도 12는 본 발명의 다른 실시예에 따른 양자 공진 주파수와 T2 기반의 자기공명 영상 기법과 딥뉴럴 네트워크를 이용한 실시간 온도영상 획득 방법을 세부적으로 설명하기 위한 도면이다.

이하, 본 발명의 다른 실시예에 따른 양자 공진 주파수와 T2 기반의 자기공명 영상 기법과 딥뉴럴 네트워크를 이용한 실시간 온도영상 획득 방법은 2-에코 항정상태자유세차운동(Dual-Echo Steady State Free Precession, DESS Free Precession) 펄스 시퀀스를 이용하여 진행될 수 있으며, 이를 도 10 내지 도 12를 통해 설명한다.

1) 데이터 수집 단계(S100)

도 10 내지 12에 도시된 바와 같이, 본 발명의 다른 실시예에 따른 치료과정 전에 획득한 k-공간 전체 영역 및 치료과정 중 측정시점에 획득한 k-공간 일부 영역을 이용하여, 적어도 하나의 자기공명영상을 재구성하는 데이터 수집 단계는 2-에코 항정상태자유세차운동 펄스 시퀀스 기반의 자기공명 영상 기법을 통해 L개의 최초 RF 펄스를 피사체에 인가하는 단계를 수행한다.

구체적으로, 치료과정 전, L개의 최초 RF 펄스를 인가하여 피사체에 대해 하나의 자유 유도 감쇠신호(Free Induction Decay) 및 하나의 항정상태 에코신호(Steady State Echo)를 얻을 수 있다.

다음으로, 인가된 최초 RF 펄스에 의해 발생되는 자유 유도 감쇠신호(Free Induction Decay) 및 항정상태 에코신호(Steady State Echo)에 각각 대응되고, L개의 라인 데이터를 갖는 2개의 k-공간 전체 영역을 획득하는 단계를 수행한다.

구체적으로, 상기한 2개의 k-공간 전체 영역 중 하나는 자유 유도 감쇠신호기반 k-공간 전체 영역인 것이며, 다른 하나는 항정상태 에코신호기반 k-공간 전체 영역인 것이다.

예를 들어, 도 11을 참조하면, 자유 유도 감쇠신호(Free Induction Decay) 및 항정상태 에코신호(Steady State Echo)를 이용하여 각각 1개의 k-공간이 생성될 수 있으며, 상기 k-공간은 각각 L개의 라인 데이터를 가질 수 있다.

이로써, 본 발명의 다른 실시예에 따른 데이터 수집 단계(S100)에서는 L개의 라인 데이터를 갖는 2개의 k-공간 전체 영역을 획득할 수 있다.

이후, 획득한 2개의 k-공간 전체 영역이 포함하는 라인 데이터를 푸리에 변환을 이용하여 각각 제 1 레퍼런스 고해상도 자기공명영상과 제 2 레퍼런스 고해상도 자기공명영상으로 재구성한다.

즉, 자유 유도 감쇠신호기반 k-공간 전체 영역에 대응되는 제 1 레퍼런스 고해상도 자기공명영상과 항정상태 에코신호기반 k-공간 전체 영역에 대응되는 제 2 레퍼런스 고해상도 자기공명영상을 재구성할 수 있다.

다음으로, 상기한 바와 유사한 방식으로, 데이터 수집 단계(S100)에서는 치료과정 중 측정시점에 L개보다 작은 p개의 최초 RF 펄스를 피사체에 인가할 수 있다.

이후, 인가된 최초 RF 펄스에 의해 발생되는 자유 유도 감쇠신호(Free Induction Decay) 및 항정상태 에코신호(Steady State Echo)에 각각 대응되고, p개의 라인 데이터를 갖는 2개의 k-공간 일부 영역을 획득한다.

다음으로, 획득한 2개의 k-공간 일부 영역이 포함하는 라인 데이터를 푸리에 변환을 이용하여 각각 제 1 저해상도 자기공명영상과 제 2 저해상도 자기공명영상으로 재구성할 수 있다.

2) 데이터 변환 단계(S200)

도 10 내지 12에 도시된 바와 같이, 본 발명의 다른 실시예에 따른 제 1 딥뉴럴 네트워크를 통해 k-공간 일부 영역을 이용하여 재구성한 저해상도 자기공명영상을 고해상도 자기공명영상으로 변환하는 데이터 변환 단계는, 상기 데이터 수집 단계(S100)의 상기 제 1 레퍼런스 고해상도 자기공명영상에 포함된 제 1 래퍼런스 매그니튜드 데이터와 상기 제 1 측정시점 저해상도 자기공명영상에 포함된 제 1 측정시점 실수부 데이터 및 제 1 측정시점 허수부 데이터를 각각 추출하여 제 1 측정시점 콤비네이션 자기공명영상으로 재조합하는 단계 및 재조합된 제 1 측정시점 콤비네이션 자기공명영상을 상기 제 1 딥뉴럴 네트워크를 통해 제 1 측정시점 고해상도 자기공명영상으로 재구성하는 단계를 포함한다.

더하여, 본 발명의 다른 실시예에 따른 제 1 딥뉴럴 네트워크를 통해 k-공간 일부 영역을 이용하여 재구성한 저해상도 자기공명영상을 고해상도 자기공명영상으로 변환하는 데이터 변환 단계는 상기 데이터 수집 단계(S100)의 상기 제 2 레퍼런스 고해상도 자기공명영상에 포함된 제 2 레퍼런스 매그니튜드 데이터와 상기 제 2 측정시점 저해상도 자기공명영상에 포함된 제 2 측정시점 실수부 데이터 및 제 2 측정시점 허수부 데이터를 각각 추출하여 제 2 측정시점 콤비네이션 자기공명영상으로 재조합하는 단계 및 재조합된 제 2 측정시점 콤비네이션 자기공명영상을 상기 제 1 딥뉴럴 네트워크를 통해 제 2 측정시점 고해상도 자기공명영상으로 재구성하는 단계를 더 포함할 수 있다.

3) 온도 계산 단계(S300)

도 10 내지 12에 도시된 바와 같이, 본 발명의 다른 실시예에 따른 상기 제 2 딥뉴럴 네트워크를 통해 상기 제 1 측정시점 고해상도 자기공명영상과 상기 데이터 수집 단계(S100)에서 재구성한 제 1 레퍼런스 고해상도 자기공명영상을 기반으로 온도영상을 재구성하는 온도 계산 단계(S300)는, 상기 제 1 측정시점 고해상도 자기공명영상에 포함된 제 1 측정시점 위상 데이터를 추출하는 단계, 상기 데이터 수집 단계(S100)의 상기 제 1 레퍼런스 고해상도 자기공명영상에 포함된 제 1 레퍼런스 위상 데이터를 추출하는 단계 및 추출된 위상 데이터들의 차분을 통해 제 1 측정시점 위상 차이값을 획득하는 단계를 포함한다.

다음으로, 상기 제 2 측정시점 고해상도 자기공명영상에 포함된 제 2 측정시점 위상 데이터를 추출하는 단계, 상기 데이터 수집 단계(S100)의 상기 제 2 레퍼런스 고해상도 자기공명영상에 포함된 제 2 레퍼런스 위상 데이터를 추출하는 단계 및 추출된 위상 데이터들의 차분을 통해 제 2 측정시점 위상 차이값을 획득하는 단계를 더 포함할 수 있다.

이후, 상기 제 1 측정시점 위상 차이값과 상기 제 2 측정시점 위상 차이값의 위상 차분을 이용하여 양자 공진 주파수 영상을 획득한다.

다음으로, 상기 제 1 레퍼런스 고해상도 자기공명영상과 상기 제 2 레퍼런스 고해상도 자기공명영상에 포함된 레퍼런스 매그니튜드 데이터를 각각 추출하는 단계, 추출된 레퍼런스 매그니튜드 데이터들을 이용하여 상기 제 2 딥뉴럴 네트워크를 통해 레퍼런스 T2 영상(T2 Image)을 획득하는 단계, 상기 제 1 측정시점 고해상도 자기공명영상과 상기 제 2 측정시점 고해상도 자기공명영상에 포함된 측정시점 매그니튜드 데이터를 각각 추출하는 단계, 추출된 측정시점 매그니튜드 데이터들을 이용하여 상기 제 2 딥뉴럴 네트워크를 통해 측정시점 T2 영상(T2 Image)을 획득하는 단계 및 상기 레퍼런스 T2 영상과 상기 측정시점 T2 영상의 차분을 통하여 T2 변화 영상을 획득하는 단계를 포함한다.

다음으로, 상기 양자 공진 주파수 영상 및 상기 T2 변화 영상(T2 Image)을 재조합하여 T2 기반의 온도영상으로 재구성한다.

이로써, 본 발명의 다른 실시예에 따른 양자 공진 주파수와 T2 기반의 자기공명 영상 기법과 딥뉴럴 네트워크를 이용한 실시간 온도영상 획득 방법은 2-에코 항정상태자유세차운동 펄스 시퀀스를 이용하여 종래의 기술에서 불가능했던 실시간으로 지방질과 수분질의 온도변화를 동시에 측정할 수 있다.

도 13은 본 발명의 양자 공진 주파수와 T2 기반의 자기공명 영상 기법과 딥뉴럴 네트워크를 이용한 실시간 온도영상 획득 장치를 도시한 도면이다.

도 13을 참조하면, 본 발명에 따른 양자 공진 주파수와 T2 기반의 자기공명 영상 기법과 딥뉴럴 네트워크를 이용한 실시간 온도영상 획득 장치(1)는 양자 공진 주파수와 T2 기반의 자기공명 영상 기법, 제 1 딥뉴럴 네트워크 및 제 2 딥뉴럴 네트워크를 이용하여 온도영상을 획득하는 장치에 있어서, 상기 자기공명 영상 기법을 통해 치료과정 전에 획득한 k-공간 전체 영역의 데이터 및 치료과정 중 측정시점에 획득한 k-공간 일부 영역의 데이터를 이용하여, 적어도 하나의 자기공명영상을 재구성하는 수집부(100) 상기 k-공간 일부 영역의 데이터를 이용하여 재구성한 저해상도 자기공명영상을 제 1 딥뉴럴 네트워크를 통해 측정시점 고해상도 자기공명영상으로 변환하는 제 1 딥뉴럴 네트워크 처리부(200) 및 변환된 측정시점 고해상도 자기공명영상을 기반으로 제 2 딥뉴럴 네트워크를 통해 온도를 계산하여 T2 기반의 온도영상을 재구성하는 제 2 딥뉴럴 네트워크 처리부(300)를 포함할 수 있다.

이상의 상세한 설명은 본 발명을 예시하는 것이다.

또한, 전술한 내용은 본 발명의 바람직한 실시 형태를 나타내어 설명하는 것이며, 본 발명은 다양한 다른 조합, 변경 및 환경에서 사용할 수 있다. 즉 본 명세서에 개시된 발명의 개념의 범위, 저술한 개시 내용과 균등한 범위 및/또는 당 업계의 기술 또는 지식의 범위 내에서 변경 또는 수정이 가능하다. 저술한 실시 예는 본 발명의 기술적 사상을 구현하기 위한 최선의 상태를 설명하는 것이며, 본 발명의 구체적인 적용 분야 및 용도에서 요구되는 다양한 변경도 가능하다. 따라서 이상의 발명의 상세한 설명은 개시된 실시 상태로 본 발명을 제한하려는 의도가 아니다. 또한 첨부된 청구범위는 다른 실시 상태도 포함하는 것으로 해석되어야 한다.

100: 수집부
200: 제 1 딥뉴럴 네트워크 처리부
300: 제 2 딥뉴럴 네트워크 처리부

Claims

양자 공진 주파수와 T2 기반의 자기공명 영상 기법, 제 1 딥뉴럴 네트워크 및 제 2 딥뉴럴 네트워크를 이용하여 온도영상을 획득하는 방법에 있어서,
수집부에 의해, 상기 자기공명 영상 기법을 통해 치료과정 전에 획득한 k-공간 전체 영역을 이용하여 레퍼런스 고해상도 자기공명영상을 재구성하고, 치료과정 중 측정시점에 획득한 k-공간 전체 영역 중의 기설정된 일부의 영역인 k-공간 일부 영역을 이용하여 저해상도 자기공명영상을 재구성하는 데이터 수집 단계;
제 1 딥뉴럴 네트워크 처리부에 의해, 상기 k-공간 일부 영역을 이용하여 재구성한 상기 저해상도 자기공명영상과 상기 레퍼런스 고해상도 자기공명영상에 포함된 레퍼런스 매그니튜드 데이터를 상기 제 1 딥뉴럴 네트워크 처리부의 제 1 딥뉴럴 네트워크에 입력하여, 상기 제 1 딥뉴럴 네트워크의 출력으로부터 측정시점 고해상도 자기공명영상을 생성하여 상기 저해상도 자기공명영상을 상기 측정시점 고해상도 자기공명영상으로 변환하는 데이터 변환 단계; 및
제 2 딥뉴럴 네트워크 처리부에 의해, 변환된 상기 측정시점 고해상도 자기공명영상을 상기 제 2 딥뉴럴 네트워크 처리부의 제 2 딥뉴럴 네트워크에 입력하여, 상기 제 2 딥뉴럴 네트워크의 출력으로부터 T2 기반의 온도영상을 재구성하는 온도 계산 단계를 포함하고,
상기 제 1 딥뉴럴 네트워크는 상기 저해상도 자기공명영상과 상기 레퍼런스 고해상도 자기공명영상에 포함된 상기 레퍼런스 매그니튜드 데이터를 입력받아 상기 측정시점 고해상도 자기공명영상을 출력하도록 학습된 딥뉴럴 네트워크이고,
상기 온도 계산 단계는 상기 레퍼런스 고해상도 자기공명영상의 상기 레퍼런스 매그니튜드 데이터를 상기 제 2 딥뉴럴 네트워크에 입력하여 상기 제 2 딥뉴럴 네트워크로부터 레퍼런스 T2 영상을 생성하고, 상기 측정시점 고해상도 자기공명영상의 측정시점 매그니튜드 데이터를 상기 제 2 딥뉴럴 네트워크에 입력하여 상기 제 2 딥뉴럴 네트워크로부터 측정시점 T2 영상을 출력하고, 상기 레퍼런스 T2 영상과 상기 측정시점 T2 영상의 차분으로부터 T2 변화 영상을 획득하는 단계를 포함하고,
상기 제 2 딥뉴럴 네트워크는 상기 레퍼런스 매그니튜드 데이터를 입력받아 상기 레퍼런스 T2 영상을 출력하고 상기 측정시점 매그니튜드 데이터를 입력받아 상기 측정시점 T2 영상을 출력하도록 학습된 딥뉴럴 네트워크인, 자기공명영상 기반 온도영상 획득 방법.
제 1 항에 있어서,
상기 데이터 수집 단계는,
치료과정 전에, 최초 RF 펄스를 L번만큼 인가하되, 상기 최초 RF 펄스가 인가될 때마다 m개의 재집속 RF 펄스를 각각 n1번만큼 피사체에 인가하는 단계;
각각의 재집속 RF 펄스에 대하여 n2개의 에코신호를 얻어, m셋의 서로 다른 에코타임에서 L x n1 x n2개의 라인 데이터를 갖는 k-공간 전체 영역을 획득하는 단계; 및
획득한 m셋의 k-공간 전체 영역이 포함하는 라인 데이터를 푸리에 변환을 이용하여 m셋의 레퍼런스 고해상도 자기공명영상으로 재구성하는 단계를 포함하는 자기공명영상 기반 온도영상 획득 방법.
제 2 항에 있어서,
상기 데이터 수집 단계는,
치료과정 중 측정시점에, 최초 RF 펄스를 L번보다 작은 p번만큼 인가하되, 상기 최초 RF 펄스가 인가될 때마다 m개의 재집속 RF 펄스를 각각 n1번만큼 피사체에 인가하는 단계;
각각의 재집속 RF펄스에 대하여 n2개의 에코신호를 얻어, m셋의 다른 에코타임에서 p x n1 x n2개의 라인 데이터를 갖는 상기 k-공간 일부 영역을 획득하는 단계; 및
획득한 m셋의 k-공간 일부 영역이 포함하는 라인 데이터를 푸리에 변환을 이용하여 m셋의 측정시점 저해상도 자기공명영상을 재구성하는 단계를 포함하는 자기공명영상 기반 온도영상 획득 방법.
제 3 항에 있어서,
상기 데이터 변환 단계는,
상기 m셋의 레퍼런스 고해상도 자기공명영상에 포함된 레퍼런스 매그니튜드 데이터와 상기 m셋의 측정시점 저해상도 자기공명영상에 포함된 측정시점 실수부 데이터 및 측정시점 허수부 데이터를 각각 추출하고, 상기 레퍼런스 매그니튜드 데이터와 상기 측정시점 실수부 데이터 및 상기 측정시점 허수부 데이터를 허수부와 실수부 별로 독립적으로 조합하여 측정시점 콤비네이션 자기공명영상을 생성하는 단계; 및
허수부와 실수부 별로 조합된 측정시점 콤비네이션 자기공명영상을 상기 제 1 딥뉴럴 네트워크에 입력하여 상기 제 1 딥뉴럴 네트워크로부터 m셋의 측정시점 고해상도 자기공명영상을 출력하는 단계를 포함하는 자기공명영상 기반 온도영상 획득 방법.
제 4 항에 있어서,
상기 온도 계산 단계는,
상기 m셋의 측정시점 고해상도 자기공명영상 중 기 선택된 에코타임을 갖는 하나의 셋에 포함된 측정시점 위상 데이터를 추출하는 단계;
상기 데이터 수집 단계의 상기 m셋의 레퍼런스 고해상도 자기공명영상 중 상기 측정시점 위상 데이터를 추출하는 단계의 기 선택된 에코타임과 동일한 에코타임에 해당하는 하나의 셋에 포함된 레퍼런스 위상 데이터를 추출하는 단계; 및
상기 레퍼런스 위상 데이터와 상기 측정시점 위상 데이터의 차분을 이용하여 양자 공진 주파수 변화 영상을 획득하는 단계를 포함하는 자기공명영상 기반 온도영상 획득 방법.
제 5 항에 있어서,
상기 온도 계산 단계는,
상기 데이터 수집 단계의 상기 m셋의 레퍼런스 고해상도 자기공명영상에 포함된 m셋의 레퍼런스 매그니튜드 데이터를 추출하는 단계;
상기 m셋의 레퍼런스 매그니튜드 데이터를 상기 제 2 딥뉴럴 네트워크에 입력하여 상기 제 2 딥뉴럴 네트워크로부터 상기 레퍼런스 T2 영상을 출력하는 단계;
상기 데이터 변환 단계의 m셋의 측정시점 고해상도 자기공명영상에 포함된 m셋의 측정시점 매그니튜드 데이터를 추출하는 단계;
상기 m셋의 측정시점 매그니튜드 데이터를 상기 제 2 딥뉴럴 네트워크에 입력하여 상기 제 2 딥뉴럴 네트워크로부터 상기 측정시점 T2 영상을 출력하는 단계; 및
상기 레퍼런스 T2 영상과 상기 측정시점 T2 영상의 차분을 이용하여 상기 T2 변화 영상을 획득하는 단계를 포함하는 자기공명영상 기반 온도영상 획득 방법.
제 6 항에 있어서,
상기 온도 계산 단계는,
상기 양자 공진 주파수 변화 영상과 상기 T2 변화 영상을 합하여 T2 기반의 온도영상을 생성하는 단계를 포함하는 자기공명영상 기반 온도영상 획득 방법.
제 1 항에 있어서,
상기 데이터 수집 단계는,
치료과정 전에, L개의 최초 RF 펄스를 피사체에 인가하는 단계;
인가된 최초 RF 펄스에 의해 발생되는 자유 유도 감쇠신호(Free Induction Decay) 및 항정상태 에코신호(Steady State Echo)에 각각 대응되고, L개의 라인 데이터를 갖는 2개의 k-공간 전체 영역을 획득하는 단계; 및
획득한 2개의 k-공간 전체 영역이 포함하는 라인 데이터를 푸리에 변환을 이용하여 각각 제 1 레퍼런스 고해상도 자기공명영상과 제 2 레퍼런스 고해상도 자기공명영상으로 재구성하는 단계를 포함하는 자기공명영상 기반 온도영상 획득 방법.
제 8 항에 있어서,
상기 데이터 수집 단계는,
치료과정 중 측정시점에, L개보다 작은 p개의 최초 RF 펄스를 피사체에 인가하는 단계;
인가된 최초 RF 펄스에 의해 발생되는 자유 유도 감쇠신호(Free Induction Decay) 및 항정상태 에코신호(Steady State Echo)에 각각 대응되고, p개의 라인 데이터를 갖는 2개의 상기 k-공간 일부 영역을 획득하는 단계; 및
획득한 2개의 상기 k-공간 일부 영역이 포함하는 라인 데이터를 푸리에 변환을 이용하여 각각 제 1 측정시점 저해상도 자기공명영상과 제 2 측정시점 저해상도 자기공명영상으로 재구성하는 단계를 포함하는 자기공명영상 기반 온도영상 획득 방법.
제 9 항에 있어서,
상기 데이터 변환 단계는,
상기 데이터 수집 단계의 상기 제 1 레퍼런스 고해상도 자기공명영상에 포함된 제 1 레퍼런스 매그니튜드 데이터와 상기 제 1 측정시점 저해상도 자기공명영상에 포함된 제 1 측정시점 실수부 데이터 및 제 1 측정시점 허수부 데이터를 각각 추출하고, 상기 제 1 레퍼런스 매그니튜드 데이터와 상기 제 1 측정시점 실수부 데이터 및 상기 제 1 측정시점 허수부 데이터를 허수부와 실수부 별로 독립적으로 조합하여 제 1 측정시점 콤비네이션 자기공명영상을 생성하는 단계; 및상기 제 1 측정시점 콤비네이션 자기공명영상을 상기 제 1 딥뉴럴 네트워크에 입력하여 상기 제 1 딥뉴럴 네트워크로부터 제 1 측정시점 고해상도 자기공명영상을 출력하는 단계를 포함하는 자기공명영상 기반 온도영상 획득 방법.
제 10 항에 있어서,
상기 데이터 변환 단계는,
상기 데이터 수집 단계의 상기 제 2 레퍼런스 고해상도 자기공명영상에 포함된 제 2 레퍼런스 매그니튜드 데이터와 상기 제 2 측정시점 저해상도 자기공명영상에 포함된 제 2 측정시점 실수부 데이터 및 제 2 측정시점 허수부 데이터를 각각 추출하고, 상기 제 2 레퍼런스 매그니튜드 데이터와 상기 제 2 측정시점 실수부 데이터 및 상기 제 2 측정시점 허수부 데이터를 허수부와 실수부 별로 독립적으로 조합하여 제 2 측정시점 콤비네이션 자기공명영상을 생성하는 단계; 및
상기 제 2 측정시점 콤비네이션 자기공명영상을 상기 제 1 딥뉴럴 네트워크에 입력하여 상기 제 1 딥뉴럴 네트워크로부터 제 2 측정시점 고해상도 자기공명영상을 출력하는 단계를 포함하는 자기공명영상 기반 온도영상 획득 방법.
제 11 항에 있어서,
상기 온도 계산 단계는,
상기 제 1 측정시점 고해상도 자기공명영상에 포함된 제 1 측정시점 위상 데이터를 추출하는 단계;
상기 데이터 수집 단계의 상기 제 1 레퍼런스 고해상도 자기공명영상에 포함된 제 1 레퍼런스 위상 데이터를 추출하는 단계; 및
추출된 위상 데이터들의 차분을 통해 제 1 측정시점 위상 차이값을 획득하는 단계를 포함하는 자기공명영상 기반 온도영상 획득 방법.
제 12 항에 있어서,
상기 온도 계산 단계는,
상기 제 2 측정시점 고해상도 자기공명영상에 포함된 제 2 측정시점 위상 데이터를 추출하는 단계;
상기 데이터 수집 단계의 상기 제 2 레퍼런스 고해상도 자기공명영상에 포함된 제 2 레퍼런스 위상 데이터를 추출하는 단계; 및
추출된 위상 데이터들의 차분을 통해 제 2 측정시점 위상 차이값을 획득하는 단계를 포함하는 자기공명영상 기반 온도영상 획득 방법.
제 13 항에 있어서,
상기 온도 계산 단계는,
상기 제 1 측정시점 위상 차이값과 상기 제 2 측정시점 위상 차이값의 위상 차분을 이용하여 양자 공진 주파수 영상을 획득하는 단계를 포함하는 자기공명영상 기반 온도영상 획득 방법.
제 14 항에 있어서,
상기 온도 계산 단계는,
상기 제 1 레퍼런스 고해상도 자기공명영상과 상기 제 2 레퍼런스 고해상도 자기공명영상에 포함된 레퍼런스 매그니튜드 데이터를 각각 추출하는 단계;
추출된 레퍼런스 매그니튜드 데이터들을 상기 제 2 딥뉴럴 네트워크에 입력하여 상기 제 2 딥뉴럴 네트워크로부터 상기 레퍼런스 T2 영상을 출력하는 단계;
상기 제 1 측정시점 고해상도 자기공명영상과 상기 제 2 측정시점 고해상도 자기공명영상에 포함된 측정시점 매그니튜드 데이터를 각각 추출하는 단계;
추출된 측정시점 매그니튜드 데이터들을 상기 제 2 딥뉴럴 네트워크에 입력하여 상기 제 2 딥뉴럴 네트워크로부터 상기 측정시점 T2 영상을 출력하는 단계; 및
상기 레퍼런스 T2 영상과 상기 측정시점 T2 영상의 차분을 통하여 상기 T2 변화 영상을 획득하는 단계를 포함하는 자기공명영상 기반 온도영상 획득 방법.
제 15 항에 있어서,
상기 온도 계산 단계는,
상기 양자 공진 주파수 영상 및 상기 T2 변화 영상을 합하여 T2 기반의 온도영상을 생성하는 단계를 포함하는 자기공명영상 기반 온도영상 획득 방법.
양자 공진 주파수와 T2 기반의 자기공명 영상 기법, 제 1 딥뉴럴 네트워크 및 제 2 딥뉴럴 네트워크를 이용하여 온도영상을 획득하는 장치에 있어서,
상기 자기공명 영상 기법을 통해 치료과정 전에 획득한 k-공간 전체 영역을 이용하여 레퍼런스 고해상도 자기공명영상을 재구성하고, 및 치료과정 중 측정시점에 획득한 k-공간 전체 영역 중의 기설정된 일부의 영역인 k-공간 일부 영역을 이용하여 저해상도 자기공명영상을 재구성하는 수집부;
상기 k-공간 일부 영역을 이용하여 재구성한 상기 저해상도 자기공명영상과 상기 레퍼런스 고해상도 자기공명영상에 포함된 레퍼런스 매그니튜드 데이터를 제 1 딥뉴럴 네트워크에 입력하여 상기 제 1 딥뉴럴 네트워크의 출력으로부터 측정시점 고해상도 자기공명영상을 생성하여 상기 저해상도 자기공명영상을 상기 측정시점 고해상도 자기공명영상으로 변환하는 제 1 딥뉴럴 네트워크 처리부; 및
변환된 상기 측정시점 고해상도 자기공명영상을 상기 제 2 딥뉴럴 네트워크에 입력하여, 상기 제 2 딥뉴럴 네트워크의 출력으로부터 T2 기반의 온도영상을 재구성하는 제 2 딥뉴럴 네트워크 처리부를 포함하고,
상기 제 1 딥뉴럴 네트워크는 상기 저해상도 자기공명영상과 상기 레퍼런스 고해상도 자기공명영상에 포함된 상기 레퍼런스 매그니튜드 데이터를 입력받아 상기 측정시점 고해상도 자기공명영상을 출력하도록 학습된 딥뉴럴 네트워크이고,
상기 제 2 딥뉴럴 네트워크 처리부는:
상기 레퍼런스 고해상도 자기공명영상의 상기 레퍼런스 매그니튜드 데이터를 상기 제 2 딥뉴럴 네트워크에 입력하여 상기 제 2 딥뉴럴 네트워크로부터 레퍼런스 T2 영상을 생성하고;
상기 측정시점 고해상도 자기공명영상의 측정시점 매그니튜드 데이터를 상기 제 2 딥뉴럴 네트워크에 입력하여 상기 제 2 딥뉴럴 네트워크로부터 측정시점 T2 영상을 출력하고; 그리고
상기 레퍼런스 T2 영상과 상기 측정시점 T2 영상의 차분으로부터 T2 변화 영상을 획득하도록 구성되고,
상기 제 2 딥뉴럴 네트워크는 상기 레퍼런스 매그니튜드 데이터를 입력받아 상기 레퍼런스 T2 영상을 출력하고 상기 측정시점 매그니튜드 데이터를 입력받아 상기 측정시점 T2 영상을 출력하도록 학습된 딥뉴럴 네트워크인 자기공명영상 기반 온도영상 획득 장치.
컴퓨터로 읽을 수 있는 기록 매체에 있어서,
제 1 항 내지 제 16 항 중 어느 한 항에 따른 자기공명영상 기반 온도영상 획득 방법을 컴퓨터에서 실행하기 위한 프로그램코드를 기록한 컴퓨터로 읽을 수 있는 기록 매체.