KR102467249B1

KR102467249B1 - 멀티 시퀀스 복원 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법

Info

Publication number: KR102467249B1
Application number: KR1020210183965A
Authority: KR
Inventors: 김선우; 김지욱
Original assignee: 주식회사 에어스메디컬
Priority date: 2021-12-21
Filing date: 2021-12-21
Publication date: 2022-11-16

Abstract

본 발명의 실시예에 따른 자기 공명 영상 처리 방법에 있어서, 제1 시퀀스로 촬영된 복수개의 제1 자기 공명 영상을 인풋으로 하고, 상기 제1 시퀀스와 서로 다른 적어도 어느 하나의 제2 시퀀스로 촬영된 제2 자기 공명 영상을 라벨로 하여 학습된 제1 인공 신경망 모델에, 상기 제1 시퀀스로 촬영된 자기 공명 영상을 입력하는 단계; 및 상기 제1 인공 신경망 모델로부터 상기 제2 시퀀스로 촬영된 자기 공명 영상이 출력되는 단계를 포함하는, 자기 공명 영상 처리 방법을 제공하고자 한다.

Description

멀티 시퀀스 복원 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법{MAGNETIC RESONANCE IMAGE PROCESSING APPARATUS AND METHOD TO WHICH MULTI-SEQUENCE RESTORATION TECHNIQUE IS APPLIED}

본 발명은 멀티 시퀀스 복원 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법에 관한 것으로서, 구체적으로 자기 공명 영상 처리에 멀티 시퀀스 복원 기법을 적용하여 자기 공명 영상 획득 시간을 단축하고, 자기 공명 영상의 신호 대 잡음비를 향상시키는 자기 공명 영상 처리 장치 및 그 방법에 관한 것이다.

일반적으로 의료용 영상 장치는 환자의 신체 정보를 획득하여 영상을 제공하는 장치이다. 의료용 영상 장치는 X선 촬영 장치, 초음파 진단 장치, 컴퓨터 단층 촬영 장치, 자기 공명 영상(Magnetic Resonance Imaging, MRI) 촬영 장치 등이 있다.

자기 공명 영상은 인체에 해가 없는 자장과 비전리 방사선을 이용하여 체내의 수소 원자핵에 핵자기 공명 현상을 일으켜 원자핵의 밀도 및 물리/화학적 특성을 영상화한 것이다. 자기 공명 영상 촬영 장치는 영상 촬영 조건이 상대적으로 자유롭고, 연부 조직에서의 다양한 진단 정보를 포함하고 우수한 대조도를 가지는 영상을 제공해주기 때문에 의료용 영상을 이용한 진단 분야에서 중요한 위치를 차지하고 있다.

한편, 자기 공명 영상 촬영 장치에 의한 촬영은 촬영 부위와 MR 영상의 종류 등에 따라 짧게는 20여분에서 길게는 1시간 이상이 소요될 수 있다. 즉, 자기 공명 영상 촬영 장치의 촬영 시간은 다른 의료용 영상 촬영 장치에 비해 상대적으로 길다는 단점이 있다. 이러한 단점은 환자에게 촬영 부담을 줄 수 있으며, 특히 폐쇄공포증이 있는 환자에게는 시행 자체를 곤란하게 한다. 따라서, 촬영 시간을 단축하려는 기술들이 최근까지 개발되고 있으며, 더불어 영상의 질적인 면에서도 개선이 요구되고 있는 실정이다.

대한민국 등록특허공보 제10-1777720호(2017.09.12.)

본 발명의 실시예들에 따른 멀티 시퀀스 복원 기법이 적용된 자기 공명 영상 처리 장치 및 방법은, 다양한 시퀀스로 촬영된 이미지를 인풋으로 하고 그와 동일한 시퀀스로 촬영된 이미지를 라벨 데이터로 하여 학습되는 인공 신경망 모델을 이용하여 이미지를 복원하는 것보다, 서로 다른 종류의 시퀀스로 촬영된 이미지를 각각 학습 데이터 또는 라벨 데이터로 복합적으로 활용함으로써, 촬영 시간을 줄이면서 해상도 및/또는 신호 대 잡음비가 동일하거나 향상된 이미지를 복원하여 출력하도록 하고자 한다.

또한, 본 발명의 실시예들에 따른 멀티 시퀀스 복원 기법이 적용된 자기 공명 영상 처리 장치 및 방법에 따른 제1 인공 신경망 모델은 특정 가속화 시퀀스로 촬영된 이미지들을 인풋으로 입력하면, 상기 가속화 시퀀스와 서로 다른 종류의 시퀀스로 일반 촬영된 이미지와 같이 해상도 및/또는 신호 대 잡음비가 향상된 아웃풋 이미지를 출력하도록 하고자 한다.

또한, 본 발명의 실시예들에 따른 멀티 시퀀스 복원 기법이 적용된 자기 공명 영상 처리 장치 및 방법에 따른 제1 인공 신경망 모델은 다양한 가속화 배수가 적용된 가속화 시퀀스로 촬영된 이미지들을 인풋으로 입력하면, 이에 대응하는 시퀀스로 일반 촬영된 이미지와 같이 해상도 및/또는 신호 대 잡음비가 향상된 아웃풋 이미지를 출력하도록 하고자 한다.

본 실시예에 있어서, 상기 제1 시퀀스는 티원 웨이티드(T1) 시퀀스, 티투 웨이티드(T2) 시퀀스 및 플레어(FLAIR) 시퀀스 중 적어도 어느 하나를 포함하는, 자기 공명 영상 처리 방법을 제공할 수 있다.

본 실시예에 있어서, 상기 제1 시퀀스는 티원 웨이티드(T1) 시퀀스 및 티투 웨이티드(T2) 시퀀스 중 적어도 어느 하나를 포함하고, 상기 제2 시퀀스는 플레어(FLAIR) 시퀀스를 포함하는, 자기 공명 영상 처리 방법을 제공할 수 있다.

본 실시예에 있어서, 상기 제1 시퀀스는 티원 웨이티드(T1) 시퀀스 및 플레어(FLAIR) 시퀀스 중 적어도 어느 하나를 포함하고, 상기 제2 시퀀스는 티투 웨이티드(T2) 시퀀스를 포함하는, 자기 공명 영상 처리 방법을 제공할 수 있다.

본 실시예에 있어서, 상기 제1 시퀀스는 티투 웨이티드(T2) 시퀀스 및 플레어(FLAIR) 시퀀스 중 적어도 어느 하나를 포함하고, 상기 제2 시퀀스는 티원 웨이티드(T1) 시퀀스를 포함하는, 자기 공명 영상 처리 방법을 제공할 수 있다.

본 실시예에 있어서, 상기 제1 시퀀스는 자기 공명 영상을 가속화 촬영하는 시퀀스를 포함하는, 자기 공명 영상 처리 방법을 제공할 수 있다.

본 실시예에 있어서, 상기 제1 시퀀스는 티원 웨이티드(T1) 가속화 시퀀스 및 티투 웨이티드(T2) 가속화 시퀀스 중 적어도 어느 하나를 포함하고, 상기 제2 시퀀스는 플레어(FLAIR) 시퀀스를 포함하는, 자기 공명 영상 처리 방법을 제공할 수 있다.

본 실시예에 있어서, 상기 제1 시퀀스는 티원 웨이티드(T1) 가속화 시퀀스 및 플레어(FLAIR) 가속화 시퀀스 중 적어도 어느 하나를 포함하고, 상기 제2 시퀀스는 티투 웨이티드(T2) 가속화 시퀀스를 포함하는, 자기 공명 영상 처리 방법을 제공할 수 있다.

본 실시예에 있어서, 상기 제1 시퀀스는 티투 웨이티드(T2) 가속화 시퀀스 및 플레어(FLAIR) 가속화 시퀀스 중 적어도 어느 하나를 포함하고, 상기 제2 시퀀스는 티원 웨이티드(T1) 가속화 시퀀스를 포함하는, 자기 공명 영상 처리 방법을 제공할 수 있다.

본 발명의 다른 실시예에 따른 자기 공명 영상 처리 방법에 있어서, 복수개의 시퀀스로 가속화 촬영된 제1 자기 공명 영상을 인풋으로 하고, 상기 복수개의 시퀀스 중 적어도 어느 하나의 시퀀스로 일반 촬영된 제2 자기 공명 영상을 라벨로 하여 학습된 제1 인공 신경망 모델에, 상기 복수개의 시퀀스 중 적어도 어느 하나의 시퀀스로 가속화 촬영된 자기 공명 영상을 상기 제1 인공 신경망 모델에 입력하는 단계; 및 상기 제1 인공 신경망 모델로부터 상기 복수개의 시퀀스 중 적어도 어느 하나의 시퀀스로 신호 대 잡음비가 향상된 자기 공명 영상이 출력되는 단계를 포함하는, 자기 공명 영상 처리 방법을 제공하고자 한다.

본 실시예에 있어서, 상기 복수개의 시퀀스 중 어느 하나의 시퀀스로 가속화 촬영된 제1 자기 공명 영상 및 다른 하나의 시퀀스로 상기 제1 자기 공명 영상보다 가속화 배수가 높게 촬영된 자기 공명 영상을 인풋으로 하여 학습되는 것을 특징으로 하는, 자기 공명 영상 처리 방법을 제공할 수 있다.

본 발명의 일 실시예에 따른 자기 공명 영상 처리 방법을 수행하는 자기 공명 영상 처리 장치에 있어서, 자기 공명 영상 처리 프로그램이 저장된 메모리; 및 상기 프로그램을 실행하는 프로세서를 포함하고, 상기 프로세서는 상기 프로그램의 실행에 따라, 제1 시퀀스로 촬영된 복수개의 제1 자기 공명 영상을 인풋으로 하고, 상기 제1 시퀀스와 서로 다른 적어도 어느 하나의 제2 시퀀스로 촬영된 제2 자기 공명 영상을 라벨로 하여 학습된 제1 인공 신경망 모델에, 상기 제1 시퀀스로 촬영된 자기 공명 영상을 입력하고, 상기 제1 인공 신경망 모델로부터 상기 제2 시퀀스로 촬영된 자기 공명 영상이 출력되는, 자기 공명 영상 처리 장치를 제공하고자 한다.

본 발명의 다른 실시예에 따른 자기 공명 영상 처리 방법을 수행하는 자기 공명 영상 처리 장치에 있어서, 자기 공명 영상 처리 프로그램이 저장된 메모리; 및 상기 프로그램을 실행하는 프로세서를 포함하고, 상기 프로세서는 상기 프로그램의 실행에 따라, 복수개의 시퀀스로 가속화 촬영된 제1 자기 공명 영상을 인풋으로 하고, 상기 복수개의 시퀀스 중 적어도 어느 하나의 시퀀스로 일반 촬영된 제2 자기 공명 영상을 라벨로 하여 학습된 제1 인공 신경망 모델에, 상기 복수개의 시퀀스 중 적어도 어느 하나의 시퀀스로 가속화 촬영된 자기 공명 영상을 상기 제1 인공 신경망 모델에 입력하고, 상기 제1 인공 신경망 모델로부터 상기 복수개의 시퀀스 중 적어도 어느 하나의 시퀀스로 신호 대 잡음비가 향상된 자기 공명 영상이 출력되는, 자기 공명 영상 처리 장치를 제공하고자 한다.

본 발명의 실시예들에 따른 멀티 시퀀스 복원 기법이 적용된 자기 공명 영상 처리 장치 및 방법은, 다양한 시퀀스로 촬영된 이미지를 인풋으로 하고 그와 동일한 시퀀스로 촬영된 이미지를 라벨 데이터로 하여 학습되는 인공 신경망 모델을 이용하여 이미지를 복원하는 것보다, 서로 다른 종류의 시퀀스로 촬영된 이미지를 각각 학습 데이터 또는 라벨 데이터로 복합적으로 활용함으로써, 촬영 시간을 줄이면서 해상도 및/또는 신호 대 잡음비가 동일하거나 향상된 이미지를 복원하여 출력할 수 있다.

또한, 본 발명의 실시예들에 따른 멀티 시퀀스 복원 기법이 적용된 자기 공명 영상 처리 장치 및 방법에 따른, 제1 인공 신경망 모델은 특정 가속화 시퀀스로 촬영된 이미지들을 인풋으로 입력하면, 상기 가속화 시퀀스와 서로 다른 종류의 시퀀스로 일반 촬영된 이미지와 같이 해상도 및/또는 신호 대 잡음비가 향상된 아웃풋 이미지를 출력할 수 있다.

또한, 본 발명의 실시예들에 따른 멀티 시퀀스 복원 기법이 적용된 자기 공명 영상 처리 장치 및 방법에 따른, 제1 인공 신경망 모델은 다양한 가속화 배수가 적용된 가속화 시퀀스로 촬영된 이미지들을 인풋으로 입력하면, 이에 대응하는 시퀀스로 일반 촬영된 이미지와 같이 해상도 및/또는 신호 대 잡음비가 향상된 아웃풋 이미지를 출력할 수 있다.

도 1은 본 발명의 일 실시예에 따른 멀티 시퀀스 복원 기법이 적용되는 자기 공명 영상 처리 장치의 구성을 설명하기 위한 구성도이다.
도 2는 본 발명의 일 실시예에 따른 멀티 시퀀스 복원 기법이 적용되는 자기 공명 영상 처리 장치에서 수행되는 멀티 시퀀스 복원 기법이 적용되는 자기 공명 영상 처리 방법의 순서를 보여주는 순서도이다.
도 3은 본 발명의 일 실시예에 따른 풀 샘플링과 서브 샘플링의 차이점을 설명하기 위한 개략도이다.
도 4는 본 발명의 일 실시예에 따른 제1 인공 신경망 모델의 데이터 처리를 보여주는 도면이다.
도 5 내지 도 7은 본 발명의 일 실시예에 따른 제1 인공 신경망 모델의 학습 데이터 처리 및 워킹 데이터 처리를 보여주는 도면이다.
도 8 내지 도 10는 본 발명의 일 실시예에 따른 제1 인공 신경망 모델의 가속화 시퀀스로 촬영된 이미지를 포함하는 학습 데이터 처리 및 워킹 데이터 처리를 보여주는 도면이다.
도 11은 본 발명의 일 실시예에 따른 학습된 제1 인공 신경망 모델의 이미지 처리를 보여주는 도면이다.
도 12는 본 발명의 다른 실시예에 따른 멀티 시퀀스 복원 기법이 적용되는 자기 공명 영상 처리 방법의 순서를 보여주는 순서도이다.
도 13 및 도 14는 본 발명의 다른 실시예에 따른 제1 인공 신경망 모델의 가속화 시퀀스로 촬영된 이미지를 포함하는 학습 데이터 처리 및 워킹 데이터 처리를 보여주는 도면이다.
도 15는 본 발명의 다른 실시예에 따른 멀티 시퀀스 복원 기법이 적용되지 않은 인공 신경망 모델을 통한 출력 이미지와 멀티 시퀀스 복원 기법이 적용된 제1 인공 신경망 모델을 통한 출력 이미지를 비교하여 보여주는 도면이다.
도 16은 본 발명의 다른 실시예에 따른 제1 인공 신경망 모델의 입력 이미지 및 출력 이미지를 포함하는 이미지 처리를 보여주는 도면이다.

아래에서는 첨부한 도면을 참조하여, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나, 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고, 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

본 명세서에서, '서버' 와 '시스템'은 하나 이상의 메모리들(미도시), 하나 이상의 컴퓨터 프로세서들(one or more Computor processors)(미도시), 및 하나 이상의 프로그램들(one or more programs)(미 도시)을 포함하도록 구성된 컴퓨터를 의미하며, 여기서, 하나 이상의 프로그램들(이하, '전 처리용 프로그램들')은 메모리에 저장되어 하나 이상의 프로세서들에 의해 실행되도록(executed) 구성되며, 하나 이상의 메모리, 하나 이상의 컴퓨터 프로세서들, 하나 이상의 프로그램들은 물리적으로 동일한 장치에 위치되어 직접 연결되거나 또는 통신망에 의해 연결되어 있을 수 있다.

본 명세서에서 '영상'은 이산적인 이미지 요소들(예를 들어, 2차원 이미지에 있어서의 픽셀들 및 3차원 이미지에 있어서의 복셀들)로 구성된 다차원(multi-dimensional) 데이터를 의미할 수 있다. 예를 들어, 영상은 자기 공명 영상 촬영 장치, 컴퓨터 단층 촬영(CT) 장치, 초음파 촬영 장치, 또는 엑스레이 촬영 장치 등의 의료 영상 장치에 의해 획득된 의료 영상을 포함할 수 있다.

본 명세서에서 '대상체(object)'는 촬영의 대상이 되는 것으로서, 사람, 동물, 또는 그 일부를 포함할 수 있다. 예를 들어, 대상체는 신체의 일부(장기 또는 기관 등; organ) 또는 팬텀(phantom) 등을 포함할 수 있다. 팬텀은 생물의 밀도와 실효 원자 번호에 아주 근사한 부피를 갖는 물질을 의미하는 것으로, 신체와 유사한 성질을 갖는 구형(sphere)의 팬텀을 포함할 수 있다.

본 명세서에서 '영상 복원'이란 해상도가 낮은 이미지의 해상도를 향상시키거나, 이미지의 SNR을 향상시키거나, 이미지의 aliasing패턴 또는 인공물(artifact)을 줄어들게 하는 것을 포함하거나, 품질이 낮은 이미지의 품질을 향상시키는 것을 의미할 수 있다. 또한 MRI의 경우, '영상 복원'이란 상술한 의미뿐만 아니라 서브샘플링된 k-space데이터로부터 생성된 이미지를 풀샘플링된 k-space데이터로부터 생성된 이미지와 동일/유사하게 가공하는 것일 수 있다.

자기 공명 영상(Magnetic Resonance Image, MRI) 시스템은 특정 세기의 자기장에서 발생하는 RF(Radio Frequency) 신호에 대한 자기 공명(Magnetic Resonance, MR) 신호의 세기를 명암 대비로 표현하여 대상체의 단층 부위에 대한 이미지를 획득하는 시스템이다.

MRI 시스템은 주자석이 정자장(static magnetic field)을 형성하도록 하고, 정자장 속에 위치한 대상체의 특정 원자핵의 자기 쌍극자 모멘트 방향을 정자장 방향으로 정렬시킨다. 경사자장 코일은 정자장에 경사 신호를 인가하여, 경사자장을 형성시켜, 대상체의 부위 별로 공명 주파수를 다르게 유도할 수 있다. RF 코일은 영상 획득을 원하는 부위의 공명 주파수에 맞추어 자기 공명 신호를 조사할 수 있다. 또한, RF 코일은 경사자장이 형성됨에 따라, 대상체의 여러 부위로부터 방사되는 서로 다른 공명 주파수의 자기 공명 신호들을 수신할 수 있다. MRI 시스템은 이러한 단계를 통해 수신된 자기 공명 신호들에 영상 복원 기법을 적용하여 영상을 획득한다. 또한, MRI 시스템은 다채널 RF 코일에 의해 수신되는 복수의 자기 공명 신호에 대하여 직렬적 또는 병렬적 신호 처리를 수행하여 복수의 자기 공명 신호를 영상 데이터로 재구성할 수도 있다.

이하에서는, 본 발명의 일 실시예에 따른 멀티 시퀀스 복원 기법이 적용되는 자기 공명 영상 처리 장치(100)에 대하여 설명하기로 한다.

도 1은 본 발명의 일 실시예에 따른 멀티 시퀀스 복원 기법이 적용되는 자기 공명 영상 처리 장치의 구성을 설명하기 위한 구성도이다.

도 1을 참조하면, 자기 공명 영상 처리 장치는 자체적으로 자기 공명 신호를 감지하여 자기 공명 영상을 획득할 수 있는 MRI 시스템뿐만 아니라, 외부에서 획득된 영상을 처리하는 영상 처리 장치, 자기 공명 영상에 대한 프로세싱 기능을 구비한 스마트폰, 태블릿 PC, PC, 스마트 TV, 마이크로 서버, 클라우드 서버, 기타 가전 기기 및 기타 모바일 또는 비 모바일 컴퓨팅 장치일 수 있으나 이에 제한되지 않는다. 또한, 자기 공명 영상 처리 장치는 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 디바이스일 수 있다.

또한, 본 발명의 일 실시예에 따른 멀티 시퀀스 복원 기법이 적용되는 자기 공명 영상 처리 장치(100)는 의료기관에서 이용하는 의료 영상 저장 전송 시스템(PACS: Picture Archiving and Communication System) 또는 자기 공명 영상 처리 장치와 통신하여 의료 영상 데이터를 송수신하고, 인공신공망 모델을 활용하여 자기 공명 영상 데이터를 복원하는 자기 공명 영상 처리 장치에 관한 것일 수 있다.

그리고, 본 발명의 일 실시예에 따른 멀티 시퀀스 복원 기법이 적용되는 자기 공명 영상 처리 장치(100)는 클라우드 컴퓨팅 시스템(Cloud Computing System)의 형태로 구현될 수 있다. 클라우드 컴퓨팅은 인터넷상의 서버를 통하여 데이터 저장, 네트워크, 콘텐츠 사용 등IT 관련 서비스를 종합적으로 사용할 수 있는 컴퓨팅 환경이다. 이와 다르게, 자기 공명 영상 처리 장치는 서버 컴퓨팅, 엣지 컴퓨팅, 서버리스 컴퓨팅 등의 자기 공명 영상 처리 방법을 수행할 수 있는 다양한 형태의 컴퓨팅 시스템으로 구현될 수도 있다.

구체적으로, 본 발명의 일 실시예에 따른 멀티 시퀀스 복원 기법이 적용되는 자기 공명 영상 처리 장치(100)는 통신 모듈(110), 메모리(120), 프로세서(130) 및 데이터베이스(140)를 포함할 수 있다.

통신 모듈(110)은 통신망과 연동하여 자기 공명 영상 처리 장치(100)에 통신 인터페이스를 제공하는데, 자기 공명 영상 처리 장치(100)는 통신 모듈(110)을 이용하여 후술할 클라이언트 단말, PACS 단말 및 PACS 서버와 데이터를 송수신할 수 있다. 여기서, 통신 모듈(110)은 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다.

예를 들어, 통신 모듈(110)은 랜(LAN), WCDMA(Wideband Code Division Multiple Access), LTE(Long Term Evolution), WiBro(Wireless Broadband Internet), 5세대 이동통신(5G), 초광역대 무선 통신(Ultra Wide-Band), 지그비(ZigBee), RF(Radio Frequency)통신, 무선랜(Wireless LAN), 와이파이(Wireless Fidelity), NFC(Near Field Communication), 블루투스, 적외선 통신 등을 통해 통신할 수 있다. 다만, 이는 예시적인 것으로서, 본 발명이 적용되는 실시예에 따라 당해 기술분야에서 적용 가능한 다양한 유무선 통신 기술이 이용될 수 있다.

한편, 본 발명에서 ‘단말’은 휴대성 및 이동성이 보장된 무선 통신 장치일 수 있으며, 예를 들어 스마트폰, 태블릿 PC 또는 노트북 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치일 수 있다. 또한 ‘단말’은 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드, 및 반지 등의 웨어러블 기기일 수도 있다. 또한 ‘단말’은 네트워크를 통해 다른 단말 또는 서버 등에 접속할 수 있는 PC 등의 유선 통신 장치일 수도 있다.

의료기관에는 일반적으로 의료 영상 촬영 기기와 연동되어 촬영 기기를 제어하거나 의료 영상 데이터 전송을 관리하는 클라이언트 단말과 의료진이 의료 영상 데이터를 보거나 가공 및 관리할 수 있는 PACS 프로그램이 설치된 PACS 단말이 배치될 수 있다. 클라이언트 단말은 사용자 로그인, 워크리스트 및 영상 처리 내역을 출력하기 위한 사용자 인터페이스(UI)를 제공하는 프로그램이 설치된 단말일 수 있다. PACS 단말은 PACS 서버에 저장된 의료 영상 데이터, 개인 정보 데이터를 자기 공명 영상 처리 장치(100)로 전송하고, 인공신경망 모델을 통해 복원된 의료 영상 데이터를 수신하여 PACS서버에 저장하거나, 디스플레이에 출력하기 위한 사용자 인터페이스를 제공하는 프로그램이 설치된 단말일 수 있다.

메모리(120)는 자기 공명 영상 처리 장치(100)에서 수행되는 프로그램이 기록된 저장 매체일 수 있다. 또한, 메모리(120)는 프로세서(130)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행할 수 있다. 여기서, 메모리(120)는 휘발성 저장 매체(volatile storage media) 또는 비휘발성 저장 매체(non-volatile storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.

프로세서(130)는 자기 공명 영상 처리 장치(100)에서 수행되는 프로그램의 전체 과정을 제어할 수 있다. 여기서, 프로세서(130)는 프로세서(processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로서, 마이크로프로세서(microprocessor), 중앙처리장치(CPU: central processing unit), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array), 그래픽 처리 장치(GPU: graphics processing unit)등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.

데이터베이스(140)는 자기 공명 영상 처리 장치(100)가 프로그램을 실행하기 위해 필요한 각종 데이터가 저장된 것일 수 있다. 예를 들어, 데이터베이스(140)는 사용자 리스트, 워크리스트 및 영상 처리 정보와 프로토콜 규칙, 의료 영상 데이터, 인공신경망 모델 및 학습 데이터가 저장된 것일 수 있다.

이하에서는, 본 발명의 일 실시예에 따른 멀티 시퀀스 복원 기법이 적용되는 자기 공명 영상 처리 장치(100)에서 수행되는, 멀티 시퀀스 복원 기법이 적용되는 자기 공명 영상 처리 방법에 대하여 설명하기로 한다.

도 2는 본 발명의 일 실시예에 따른 멀티 시퀀스 복원 기법이 적용되는 자기 공명 영상 처리 장치에서 수행되는 멀티 시퀀스 복원 기법이 적용되는 자기 공명 영상 처리 방법의 순서를 보여주는 순서도이다.

도 2를 참조하면, 본 발명의 일 실시예에 따른 멀티 시퀀스 복원 기법이 적용된 자기 공명 영상 처리 방법에 있어서, 제1 인공 신경망 모델에 상기 제1 시퀀스로 촬영된 자기 공명 영상을 입력하는 단계(S210)가 수행될 수 있다.

인공 신경망 모델은 통계적 기계 학습 결과를 이용하여, 적어도 하나의 서브 샘플링된 자기 공명 영상과 적어도 하나의 풀 샘플링된 자기 공명 영상 간의 상관 관계를 학습하는 알고리즘의 집합일 수 있다.

인풋이란 인공 신경망 모델을 학습시키기 위해 입력되는 데이터이다. 라벨이란 인풋 데이터에 라벨링된 데이터이며, 인공 신경망 모델은 인풋 데이터를 입력받으면 라벨 데이터에 가까운 아웃풋 데이터를 출력하도록 학습될 수 있다. 예를 들어 특정 대상체에 대해 촬영된 해상도가 및/또는 신호 대 잡음비가 낮은 자기 공명 영상이 인풋이 되고, 동일한 대상체에 대해 촬영된 해상도 및/또는 신호 대 잡음비가 높아진 자기 공명 영상이 라벨이 될 수 있다.

시퀀스란 자기 공명 영상(MRI)의 디지털 시퀀스로서 펄스 시퀀스 및 펄스 필드 그라디언트의 특정 설정을 의미하며, 이를 통해 특정 자기 공명 영상을 생성하기 위한 것이다. 복수개의 매개변수를 가지는 자기 공명 영상은 복수개의 시퀀스의 조합을 통해 촬영될 수 있다. 예를 들어 자기 공명 영상의 시퀀스 조합은 스핀 에코(Spin Echo), 그라디언트 에코(Gradient Echo), 인버전 리커버리(Inversion Recovery), 디퓨전 웨이티드(Diffusion Weighted; DWI), MRA(Magnetic resonance angiography) 등을 포함할 수 있다.

그리고 시퀀스는 티원 웨이티드(T1 weighted; T1) 시퀀스, 티투 웨이티드(T2 weighted; T2) 시퀀스, Fluid-attenuated inversion recovery(FLAIR; 플레어) 시퀀스, Gradient echo(GRE) 시퀀스, Time of flight(ToF) 시퀀스 등을 포함할 수 있다. 시퀀스는 상술한 것들뿐만 아니고, 자기 공명 영상 촬영에 이용되는 모든 시퀀스를 포함할 수 있다.

또한, 시퀀스는 자기 공명 영상을 가속화 촬영하는 시퀀스를 포함할 수 있다. 즉, 시퀀스는 티원 웨이티드(T1 weighted; T1) 가속화 시퀀스, 티투 웨이티드(T2 weighted; T2) 가속화 시퀀스, Fluid-attenuated inversion recovery(FLAIR; 플레어) 가속화 시퀀스, 컨벤셔널(Conventional) 가속화 시퀀스, Time of flight(ToF) 가속화 시퀀스 등을 포함할 수 있다. 가속화 시퀀스는 상술한 것들뿐만 아니고, 자기 공명 영상 촬영에 이용되는 모든 가속화 시퀀스를 포함할 수 있다.

가속화 촬영이란 일반 촬영과 대비하여 획득하는 자기 공명 신호가 감소된 촬영을 의미할 수 있다. 예를 들어 일반 촬영은 풀 샘플링된 자기 공명 신호를 획득하는 것일 수 있고, 가속화 촬영은 서브 샘플링된 자기 공명 신호를 획득하는 것을 의미할 수 있다. 예를 들어 일반 촬영이란 100%의 자기 공명 신호를 획득하기 위해 1시간이 소요되는 촬영일 수 있고, 가속화 촬영이란 50%의 자기 공명 신호를 획득하기 위해 30분이 소요되는 촬영일 수 있다.

또한, 가속화 촬영이란 임상적으로 사용되는 촬영에 비해 NEX(number of excitations)를 줄인 촬영일 수 있다. 가속화 촬영이란 임상적으로 사용되는 촬영에 비해 페이즈레졸루션(Phase resolution)을 줄인 촬영일 수 있다. 가속화 촬영이란 임상적으로 사용되는 촬영에 비해 가속화 지수(Acceleration factor)를 높이고 병렬 영상 기법을 적용한 촬영일 수 있다. 또한 가속화 촬영된 영상이란, 실제 자기공명영상 촬영 장치를 통해 촬영된 영상뿐만 아니라 컴퓨터 시뮬레이션을 통해 일반 촬영된 영상을 가속화 촬영된 영상과 동일하거나 유사하도록 처리한 영상일 수 있다.

도 3은 본 발명의 일 실시예에 따른 풀 샘플링과 서브 샘플링의 차이점을 설명하기 위한 개략도이다.

도 3을 참조하면, 서브 샘플링된 자기 공명 신호는 나이키스트 샘플링 레이트보다 낮은 샘플링 레이트로 샘플링된 자기 공명 신호일 수 있다. 또한, 서브 샘플링된 자기 공명 영상은 나이키스트 샘플링 레이트보다 낮은 샘플링 레이트로 자기 공명 신호(310)를 샘플링하여 획득된 영상이다. 서브 샘플링된 자기 공명 영상은 엘리어싱 아티팩트(aliasing artifact)를 포함하는 영상일 수 있다. 엘리어싱 아티팩트는 스캔한 대상체가 FOV(field of view)보다 클 때 자기 공명 영상에 발생하는 인공적인 이미지일 수 있다. 한편, 풀 샘플링된 자기 공명 영상은 나이키스트 샘플링 레이트 이상의 샘플링 레이트로 k-space 데이터를 샘플링하여 획득된 영상일 수 있다.

예를 들어, 풀 샘플링된 자기 공명 신호(310)의 라인(line) 수가 n개이고 서브 샘플링된 자기 공명 신호(310)의 라인(line) 수가 n/2개일 수 있다. 여기서 샘플링 라인의 감소된 정도가 1/2 배수이면 자기 공명 영상 촬영의 가속화 지수가 2라고 할 수 있다. 샘플링 라인의 감소된 정도가 1/3 배수, 1/4 배수이면 가속화 지수는 각각 3, 4라고 할 수 있다.

그리고, 서브 샘플링 방법은 균일 서브 샘플링과 비균일 서브 샘플링으로 나뉠 수 있다. 균일 서브 샘플링은 샘플링되는 라인의 간격을 일정하게 유지하여 샘플링을 수행하는 것일 수 있다. 반면, 비균일 서브 샘플링은 일반적으로 샘플링 데이터의 중앙 부분으로 갈수록 샘플링되는 라인의 간격을 좁혀 샘플링을 많이 하고, 중앙 부분에서 멀어질수록 샘플링되는 라인의 간격을 넓히면서 샘플링을 적게 하는 것을 의미할 수 있다.

도 4는 본 발명의 일 실시예에 따른 제1 인공 신경망 모델의 데이터 처리를 보여주는 도면이다.

도 4를 참조하면, 제1 인공 신경망 모델(400)은 적어도 하나의 뉴럴 네트워크를 포함할 수 있다. 뉴럴 네트워크는 DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network), U-net과 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.

예를 들어, 제1 인공 신경망 모델(400)은 뉴럴 네트워크를 이용하여 적어도 하나의 서브 샘플링된 자기 공명 영상 및 적어도 하나의 풀 샘플링된 자기 공명 영상 간의 상관 관계를 위상 인코딩 방향(Ky)에 따라 스택되는 적어도 하나의 샘플링 라인의 픽셀들을 단위로 학습하여 구축된 모델일 수 있다.

또한, 제1 인공 신경망 모델(400)은 서브 샘플링된 자기 공명 영상 및 풀 샘플링된 자기 공명 영상 이외에도 다양한 추가 데이터를 이용하여 구축될 수 있다. 예를 들어, 추가 데이터로서 제1 자기 공명 영상에 대응되는 k-space 데이터, 실수 영상 데이터, 허수 영상 데이터, 크기 영상 데이터, 위상 영상 데이터 및 멀티 채널 RF 코일의 감도 데이터, 노이즈 패턴 영상 데이터 중 적어도 어느 하나가 이용될 수 있다.

도 5 내지 도 8은 본 발명의 일 실시예에 따른 제1 인공 신경망 모델의 학습 데이터 처리 및 워킹 데이터 처리를 보여주는 도면이다.

도 5 내지 도 8을 참조하면, 제1 인공 신경망 모델은 제1 시퀀스로 촬영된 복수개의 제1 자기 공명 영상을 인풋으로 하고, 제1 시퀀스와 서로 다른 적어도 어느 하나의 제2 시퀀스로 촬영된 제2 자기 공명 영상을 라벨로 하여 학습된 것일 수 있다.

자세히 설명하면, 뇌 부위에 T1, T2, FLAIR 시퀀스를 이어서 촬영하는 경우 T1 시퀀스 촬영은 뇌 구조 중 뇌척수액 부분(Cerebrospinal fluid; CSF)에서 신호가 약하게 촬영되고, T2 시퀀스 촬영은 뇌척수액 부분의 신호가 강하게 촬영되고, FLAIR는 뇌척수액 부분의 신호가 약하게 촬영되지만 나머지 신호는 T2 시퀀스로 촬영된 것과 동일한 신호로 촬영될 수 있다. 그래서, T1 시퀀스 및 T2 시퀀스로 촬영된 이미지에 FLAIR 시퀀스로 촬영된 이미지를 만들기에 필요한 정보가 모두 포함되어 있을 수 있다. 따라서, 제1 인공 신경망 모델을 T1 시퀀스 및 T2 시퀀스로 촬영된 이미지를 인풋으로 하고, FLAIR 시퀀스로 촬영된 이미지를 라벨로 하여 학습시킨다면, 상기 제1 인공 신경망 모델에 T1 시퀀스로 촬영된 이미지, T2 시퀀스로 촬영된 이미지 또는 FLAIR 시퀀스로 촬영된 이미지를 인풋으로 입력하면, 각각 인풋으로 입력한 이미지와 다른 시퀀스를 가지는 이미지를 아웃풋으로 출력할 수 있는 것이다.

도 5를 참조하면, 제1 인공 신경망 모델을 T1 및 T2 시퀀스로 촬영한 이미지를 인풋으로 하고 FLAIR 시퀀스로 촬영한 이미지를 라벨로 하여 학습한 모델에 T1 또는 T2 시퀀스로 촬영한 이미지를 입력하면 FLAIR 시퀀스로 촬영된 것과 같은 이미지가 아웃풋으로 출력될 수 있다.

다른 한편으로, 도 6을 참조하면 제1 인공 신경망 모델을 T1 및 FLAIR 시퀀스로 촬영한 이미지를 인풋으로 하고 T2 시퀀스로 촬영한 이미지를 라벨로 하여 학습한 모델에 T1 또는 FLAIR 시퀀스로 촬영한 이미지를 입력하면 T2 시퀀스로 촬영된 것과 같은 이미지가 아웃풋으로 출력될 수 있다.

또 다른 한편으로, 도 7을 참조하면 제1 인공 신경망 모델을 T2 및 FLAIR 시퀀스로 촬영한 이미지를 인풋으로 하고 T1 시퀀스로 촬영한 이미지를 라벨로 하여 학습한 모델에 T2 또는 FLAIR 시퀀스로 촬영한 이미지를 입력하면 T1 시퀀스로 촬영된 것과 같은 이미지가 아웃풋으로 출력될 수 있다. 나아가, 제1 인공 신경망 모델을 T1, T2 및 FLAIR 시퀀스 중 어느 하나 또는 두개의 시퀀스로 촬영한 이미지를 인풋으로 하고, 나머지 시퀀스로 촬영한 이미지를 라벨로 하여 학습한 모델에 T1, T2 및/또는 FLAIR 시퀀스로 촬영한 이미지를 입력하면 T1, T2 및 FLAIR 시퀀스로 촬영된 것과 같은 이미지가 아웃풋으로 출력될 수 있다.

이로써, 다양한 시퀀스로 촬영된 이미지를 인풋으로 하고 그에 대응하는 시퀀스로 촬영된 이미지를 라벨 데이터로 하여 학습되는 인공 신경망 모델을 이용하여 이미지를 복원하는 것보다, 촬영 시간을 줄이면서 해상도 및/또는 신호 대 잡음비가 동일하거나 향상된 이미지를 복원하여 출력할 수 있다.

도 8 내지 도 10는 본 발명의 일 실시예에 따른 제1 인공 신경망 모델의 가속화 시퀀스로 촬영된 이미지를 포함하는 학습 데이터 처리 및 워킹 데이터 처리를 보여주는 도면이다.

도 8 내지 도 10를 참조하면, 제1 인공 신경망 모델에 인풋으로 입력되는 이미지들에 대한 제1 시퀀스는 가속화 촬영된 시퀀스를 포함할 수 있다. 예를 들어, 제1 시퀀스는 티원 웨이티드(T1) 가속화 시퀀스 및 티투 웨이티드(T2) 가속화 시퀀스 중 적어도 어느 하나를 포함하고, 제2 시퀀스는 플레어(FLAIR) 시퀀스를 포함할 수 있다. 즉, T1 및 T2 가속화 시퀀스로 촬영된 이미지를 인풋으로 하고 FLAIR 시퀀스로 촬영된 이미지를 라벨로 하여 제1 인공 신경망 모델을 학습시킬 수 있다.

도 8을 참조하면, 제1 인공 신경망 모델을 T1 및 T2 가속화 시퀀스로 촬영한 이미지를 인풋으로 하고 FLAIR 시퀀스로 촬영한 이미지를 라벨로 하여 학습한 모델에 T1 또는 T2 가속화 시퀀스로 촬영한 이미지를 인풋으로 입력하면 FLAIR 시퀀스로 촬영된 것과 같은 이미지가 아웃풋으로 출력될 수 있다.

다른 한편으로, 도 9를 참조하면 제1 인공 신경망 모델을 T1 및 FLAIR 가속화 시퀀스로 촬영한 이미지를 인풋으로 하고 T2 시퀀스로 촬영한 이미지를 라벨로 하여 학습한 모델에 T1 또는 FLAIR 가속화 시퀀스로 촬영한 이미지를 입력하면 T2 시퀀스로 촬영된 것과 같은 이미지가 아웃풋으로 출력될 수 있다.

또 다른 한편으로, 도 10을 참조하면 제1 인공 신경망 모델을 T2 및 FLAIR 가속화 시퀀스로 촬영한 이미지를 인풋으로 하고 T1 시퀀스로 촬영한 이미지를 라벨로 하여 학습한 모델에 T2 또는 FLAIR 가속화 시퀀스로 촬영한 이미지를 입력하면 T1 시퀀스로 촬영된 것과 같은 이미지가 아웃풋으로 출력될 수 있다. 나아가, 제1 인공 신경망 모델을 T1, T2 및 FLAIR 가속화 시퀀스 중 어느 하나 또는 두개의 시퀀스로 촬영한 이미지를 인풋으로 하고, 나머지 시퀀스로 촬영한 이미지를 라벨로 하여 학습한 모델에 T1, T2 및/또는 FLAIR 가속화 시퀀스로 촬영한 이미지를 입력하면 T1, T2 및 FLAIR 시퀀스로 일반 촬영된 것과 같은 이미지가 아웃풋으로 출력될 수 있다.

도 11은 본 발명의 일 실시예에 따른 학습된 제1 인공 신경망 모델의 이미지 처리를 보여주는 도면이다.

도 11을 참조하면, 본 발명의 일 실시예에 따른 학습된 제1 인공 신경망 모델은 T1, T2 또는 FLAIR 가속화 시퀀스로 촬영된 이미지를 인풋으로 입력하면, T1, T2, FLAIR 시퀀스로 촬영된 이미지로서 해상도 및/또는 신호 대 잡음비가 향상된 아웃풋 이미지를 출력할 수 있다.

이로써, 다양한 가속화 시퀀스로 촬영된 이미지를 인풋으로 하고 그에 대응하는 시퀀스로 촬영된 이미지를 라벨 데이터로 하여 학습되는 인공 신경망 모델을 이용하여 이미지를 복원하는 것보다, 학습 데이터의 양을 줄이면서 해상도 및/또는 신호 대 잡음비가 동일하거나 향상된 이미지를 복원하여 출력할 수 있다.

도 12는 본 발명의 다른 실시예에 따른 멀티 시퀀스 복원 기법이 적용되는 자기 공명 영상 처리 방법의 순서를 보여주는 순서도이다.

도 12를 참조하면, 본 발명의 다른 실시예에 따른 멀티 시퀀스 복원 기법이 적용되는 자기 공명 영상 처리 방법은 복수개의 시퀀스 중 적어도 어느 하나의 시퀀스로 가속화 촬영된 자기 공명 영상을 상기 제1 인공 신경망 모델에 입력하는 단계(S1410)가 수행될 수 있다.

그 다음으로, 제1 인공 신경망 모델로부터 복수개의 시퀀스 중 적어도 어느 하나의 시퀀스로 신호 대 잡음비가 향상된 자기 공명 영상이 출력되는 단계(S1420)가 수행될 수 있다.

도 13 및 도 14는 본 발명의 다른 실시예에 따른 제1 인공 신경망 모델의 가속화 시퀀스로 촬영된 이미지를 포함하는 학습 데이터 처리 및 워킹 데이터 처리를 보여주는 도면이다.

도 13를 참조하면, 제1 인공 신경망 모델은 복수개의 시퀀스로 가속화 촬영된 제1 자기 공명 영상을 인풋으로 하고, 복수개의 시퀀스 중 적어도 어느 하나의 시퀀스로 일반 촬영된 제2 자기 공명 영상을 라벨로 하여 학습된 것일 수 있다.

예를 들어, 제1 인공 신경망 모델은, 복수개의 시퀀스로 가속화 촬영된 제1 자기 공명 영상을 인풋으로 하고, 상기 복수개의 시퀀스로 일반 촬영된 제2 자기 공명 영상을 라벨로 하여 학습된 것일 수 있다.

그리고, 제1 인공 신경망 모델의 워킹에 있어서 제1 인공 신경망 모델에 입력되는 가속화 촬영된 자기 공명 영상은 상기 제1 인공 신경망 모델의 학습에 인풋으로 이용된 가속화 촬영된 제1 자기 공명 영상보다 가속화 배수가 높게 촬영된 것일 수 있다.

예를 들어, 제1 인공 신경망 모델이 가속화 배수가 2배로 촬영된 인풋 이미지들로 학습된 경우, 학습된 제1 인공 신경망 모델에 가속화 배수가 4배로 촬영된 이미지들을 인풋으로 입력하면, 일반 촬영된 이미지와 동일 또는 유사한 해상도 및/또는 신호 대 잡음비를 가지는 아웃풋 이미지를 복원하여 출력할 수 있다.

그리고, 도 14을 참조하면 복수개의 시퀀스 중 어느 하나의 시퀀스로 가속화 촬영된 제1 자기 공명 영상 및 다른 하나의 시퀀스로 제1 자기 공명 영상보다 가속화 배수가 높게 촬영된 자기 공명 영상을 인풋으로 하여 학습될 수도 있다.

이러한 경우에도, 제1 인공 신경망 모델이 가속화 배수가 2배로 촬영된 T1 시퀀스 이미지 및 T2 시퀀스 이미지와 함께 가속화 배수가 4배로 촬영된 FLAIR 시퀀스 이미지들을 포함하여 인풋 이미지들로 학습된 경우, 제1 인공 신경망 모델은 가속화 배수가 4배로 촬영된 T1, T2 및 FLAIR 시퀀스 이미지들을 인풋으로 입력하면, T1, T2 및 FLAIR 시퀀스로 일반 촬영된 이미지와 동일 또는 유사한 해상도 및/또는 신호 대 잡음비를 가지는 아웃풋 이미지를 복원하여 출력할 수 있다.

도 15는 본 발명의 다른 실시예에 따른 제1 인공 신경망 모델의 입력 이미지 및 출력 이미지를 포함하는 데이터 처리를 보여주는 도면이다. 도 16은 본 발명의 다른 실시예에 따른 멀티 시퀀스 복원 기법이 적용된 제1 인공 신경망 모델을 통한 출력 이미지와 멀티 시퀀스 복원 기법이 적용되지 않은 인공 신경망 모델을 통한 출력 이미지를 비교하여 보여주는 도면이다.

도 15 및 도 16을 참조하면, 단일의 시퀀스로 촬영된 이미지 또는 단일의 가속화 시퀀스로 촬영된 이미지들을 인풋으로 하고, 이들과 동일한 시퀀스로 일반 촬영된 이미지들을 라벨로 하여 제1 인공 신경망 모델을 학습하는 경우에 출력되는 이미지(도 17의 (a) 참조)보다, 다양한 시퀀스로 촬영된 이미지 또는 다양한 가속화 시퀀스로 촬영된 이미지들을 인풋으로 하고, 이들과 동일한 시퀀스로 일반 촬영된 이미지들을 라벨로 하여 제1 인공 신경망 모델을 학습하는 경우 출력되는 이미지(도 17의 (b) 참조)들이 더 높은 해상도 및/또는 신호 대 잡음비를 가질 수 있다. 즉, 멀티 시퀀스 복원 기법이 적용된 자기 공명 영상 처리 방법을 통해 가속화 성능 및 이미지 복원 성능이 향상된 제1 인공 신경망 모델을 구축할 수 있다.

또한, 다양한 시퀀스로 촬영된 이미지 및/또는 다양한 가속화 배수로 촬영된 이미지를 인풋으로 하여 제1 인공 신경망 모델을 학습하는 경우, 상기 제1 인공 신경망 모델에 다양한 가속화 배수로 촬영된 이미지들(T1 x2 accelerated, T2 x2 accelerated, FLAIR x4 accelerated)을 입력하면, 일반 촬영한 이미지와 유사 또는 더 높은 해상도 및/또는 신호 대 잡음비를 가지는 출력 이미지(FLAIR output)를 획득할 수 있는 효과가 있다.

이로써, 동일한 가속화 배수로 촬영된 이미지를 인풋으로 하고 그에 대응하는 시퀀스로 일반 촬영된 이미지를 라벨 데이터로 하여 학습되는 인공 신경망 모델을 이용하여 이미지를 복원하는 것보다, 다양한 가속화 배수로 촬영된 이미지를 인풋으로 하여도 해상도 및/또는 신호 대 잡음비가 동일하거나 향상된 이미지를 복원하여 출력할 수 있다.

상술한 본 발명의 실시예들에 따른 멀티 시퀀스 복원 기법이 적용된 자기 공명 영상 처리 장치 및 방법은, 다양한 시퀀스로 촬영된 이미지를 인풋으로 하고 그에 대응하는 시퀀스로 촬영된 이미지를 라벨 데이터로 하여 학습되는 인공 신경망 모델을 이용하여 이미지를 복원하는 것보다, 서로 다른 종류의 시퀀스로 촬영된 이미지를 각각 학습 데이터 또는 라벨 데이터로 복합적으로 활용함으로써, 학습 데이터의 양을 줄이면서 해상도 및/또는 신호 대 잡음비가 동일하거나 향상된 이미지를 복원하여 출력할 수 있다.

한편, 본 발명의 실시예들에 따른 멀티 시퀀스 복원 기법이 적용되는 자기 공명 영상 처리 방법은 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 본 발명의 방법 및 시스템은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성 요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수 있다.

이상의 설명은 본 발명의 기술적 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예는 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술적 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

100: 멀티 시퀀스 복원 기법이 적용되는 자기 공명 영상 처리 장치
110: 통신 모듈
120: 메모리
130: 프로세서
140: 데이터베이스
400: 제1 인공 신경망 모델

Claims

자기 공명 영상 처리 장치에 의해 수행되는 자기 공명 영상 처리 방법에 있어서,
복수개의 시퀀스 중 어느 하나의 시퀀스로 가속화 촬영된 제1 자기 공명 영상과 상기 제1 자기 공명 영상보다 가속화 배수가 높으면서 상기 복수개의 시퀀스 중 상기 제1 자기 공명 영상과 다른 시퀀스로 가속화 촬영된 자기 공명 영상을 인풋으로 하고, 상기 복수개의 시퀀스 중 적어도 어느 하나의 시퀀스로 일반 촬영된 제2 자기 공명 영상을 라벨로 하여 학습된 제1 인공 신경망 모델에,
상기 복수개의 시퀀스 중 적어도 어느 하나의 시퀀스로 가속화 촬영된 자기 공명 영상을 입력하는 단계; 및
상기 제1 인공 신경망 모델로부터 상기 복수개의 시퀀스 중 적어도 어느 하나의 시퀀스로 신호 대 잡음비가 향상된 자기 공명 영상이 출력되는 단계를 포함하는, 자기 공명 영상 처리 방법.
제1항에 있어서,
상기 복수개의 시퀀스는, 티원 웨이티드(T1) 시퀀스, 티투 웨이티드(T2) 시퀀스 및 플레어(FLAIR) 시퀀스를 포함하는, 자기 공명 영상 처리 방법.
자기 공명 영상 처리 장치에 있어서,
자기 공명 영상 처리 프로그램이 저장된 메모리; 및
상기 프로그램을 실행하는 프로세서를 포함하고,
상기 프로세서는 상기 프로그램의 실행에 따라, 복수개의 시퀀스 중 어느 하나의 시퀀스로 가속화 촬영된 제1 자기 공명 영상과 상기 제1 자기 공명 영상보다 가속화 배수가 높으면서 상기 복수개의 시퀀스 중 상기 제1 자기 공명 영상과 다른 시퀀스로 가속화 촬영된 자기 공명 영상을 인풋으로 하고, 상기 복수개의 시퀀스 중 적어도 어느 하나의 시퀀스로 일반 촬영된 제2 자기 공명 영상을 라벨로 하여 학습된 제1 인공 신경망 모델에, 상기 복수개의 시퀀스 중 적어도 어느 하나의 시퀀스로 가속화 촬영된 자기 공명 영상을 입력하고, 상기 제1 인공 신경망 모델로부터 상기 복수개의 시퀀스 중 적어도 어느 하나의 시퀀스로 신호 대 잡음비가 향상된 자기 공명 영상을 출력하는, 자기 공명 영상 처리 장치.
제3항에 있어서,
상기 복수개의 시퀀스는, 티원 웨이티드(T1) 시퀀스, 티투 웨이티드(T2) 시퀀스 및 플레어(FLAIR) 시퀀스를 포함하는, 자기 공명 영상 처리 장치.
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제