KR102467290B1 - Magnetic resonance image processing apparatus and method with phase resolution enhancement applied - Google Patents

Magnetic resonance image processing apparatus and method with phase resolution enhancement applied Download PDF

Info

Publication number
KR102467290B1
KR102467290B1 KR1020210042244A KR20210042244A KR102467290B1 KR 102467290 B1 KR102467290 B1 KR 102467290B1 KR 1020210042244 A KR1020210042244 A KR 1020210042244A KR 20210042244 A KR20210042244 A KR 20210042244A KR 102467290 B1 KR102467290 B1 KR 102467290B1
Authority
KR
South Korea
Prior art keywords
image
magnetic resonance
neural network
image processing
artificial neural
Prior art date
Application number
KR1020210042244A
Other languages
Korean (ko)
Other versions
KR20220138481A (en
Inventor
김지욱
Original Assignee
주식회사 에어스메디컬
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 주식회사 에어스메디컬 filed Critical 주식회사 에어스메디컬
Priority to KR1020210042244A priority Critical patent/KR102467290B1/en
Publication of KR20220138481A publication Critical patent/KR20220138481A/en
Application granted granted Critical
Publication of KR102467290B1 publication Critical patent/KR102467290B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

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

Abstract

본 발명의 일 실시예에 따른 자기 공명 영상 처리 장치에 의해 수행되는 자기 공명 영상 처리 방법에 있어서, 페이즈 레졸루션(Phase Resolution)이 0 초과 1 미만인 입력 이미지를 제1회전방향으로 90도 회전시켜 인공신경망 모델에 입력하는 단계; 및 상기 인공신경망 모델로부터 페이즈 레졸루션이 1인 출력 이미지가 출력되는 단계를 포함하는, 자기 공명 영상 처리 방법을 제공하고자 한다.In the magnetic resonance image processing method performed by the magnetic resonance image processing apparatus according to an embodiment of the present invention, an input image having a phase resolution greater than 0 and less than 1 is rotated by 90 degrees in a first rotation direction so as to generate an artificial neural network. input into the model; and outputting an output image having a phase resolution of 1 from the artificial neural network model.

Description

페이즈 레졸루션 향상이 적용된 자기 공명 영상 처리 장치 및 그 방법{MAGNETIC RESONANCE IMAGE PROCESSING APPARATUS AND METHOD WITH PHASE RESOLUTION ENHANCEMENT APPLIED}MAGNETIC RESONANCE IMAGE PROCESSING APPARATUS AND METHOD WITH PHASE RESOLUTION ENHANCEMENT APPLIED

본 발명은 페이즈 레졸루션 향상이 적용된 자기 공명 영상 처리 장치 및 그 방법에 관한 것으로서 인공 신경망을 이용하여 자기 공명 신호로부터 자기 공명 영상을 획득하는 것을 가속화하는 자기 공명 영상 처리 장치 및 그 방법에 관한 것이다.The present invention relates to a magnetic resonance image processing apparatus and method to which phase resolution enhancement is applied, and relates to a magnetic resonance image processing apparatus and method for accelerating acquisition of a magnetic resonance image from a magnetic resonance signal using an artificial neural network.

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. In general, a medical imaging device is a device that obtains body information of a patient and provides an image. Medical imaging devices include X-ray imaging devices, ultrasound diagnosis devices, computed tomography devices, magnetic resonance imaging (MRI) imaging devices, and the like.

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.Magnetic resonance imaging is an image of the density and physical/chemical properties of atomic nuclei by causing nuclear magnetic resonance in hydrogen nuclei in the body using a magnetic field and non-ionizing radiation that are harmless to the human body. Magnetic resonance imaging devices occupy an important position in the field of diagnosis using medical images because they provide images with relatively free imaging conditions, various diagnostic information on soft tissues, and excellent contrast.

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.On the other hand, imaging by the magnetic resonance imaging device may take as little as 20 minutes to as long as 1 hour or more depending on the region to be photographed and the type of MR image. That is, the imaging time of the magnetic resonance imaging apparatus is relatively long compared to other medical imaging apparatuses. These disadvantages may impose a burden on the patient for imaging, and in particular, make it difficult for patients with claustrophobia to perform. Therefore, technologies for reducing the shooting time have been developed until recently, and in addition, improvement in the quality of images is required.

대한민국 등록특허공보 제10-2210457호(2021.01.26.)Republic of Korea Patent Registration No. 10-2210457 (2021.01.26.)

본 발명의 일 실시예에 따른 자기 공명 영상 처리 장치 및 그 방법은 페이즈 레졸루션이 0 초과 1 미만인 가속화 촬영된 자기 공명 영상을 인공 신경망 모델을 이용하여 페이즈 레졸루션이 1인 자기 공명 영상을 획득하도록 하고자 한다.A magnetic resonance image processing apparatus and method according to an embodiment of the present invention is intended to obtain an magnetic resonance image with a phase resolution of 1 by using an artificial neural network model from an accelerated photographed magnetic resonance image with a phase resolution greater than 0 and less than 1 .

또한, 본 발명의 일 실시예에 따른 자기 공명 영상 처리 장치 및 그 방법은 리드아웃 레졸루션을 기초로 하는 이미지 학습 데이터로 학습된 인공신경망 모델을 이용하여 페이즈 레졸루션이 향상된 자기 공명 영상을 획득하도록 하고자 한다.In addition, a magnetic resonance image processing apparatus and method according to an embodiment of the present invention is intended to obtain an magnetic resonance image with improved phase resolution by using an artificial neural network model trained with image learning data based on readout resolution. .

본 발명의 일 실시예에 따른 자기 공명 영상 처리 장치에 의해 수행되는 자기 공명 영상 처리 방법에 있어서, 페이즈 레졸루션(Phase Resolution)이 0 초과 1 미만인 입력 이미지를 제1회전방향으로 90도 회전시켜 인공신경망 모델에 입력하는 단계; 및 상기 인공신경망 모델로부터 페이즈 레졸루션이 1인 출력 이미지가 출력되는 단계를 포함하는, 자기 공명 영상 처리 방법을 제공하고자 한다.In the magnetic resonance image processing method performed by the magnetic resonance image processing apparatus according to an embodiment of the present invention, an input image having a phase resolution greater than 0 and less than 1 is rotated by 90 degrees in a first rotation direction so as to generate an artificial neural network. input into the model; and outputting an output image having a phase resolution of 1 from the artificial neural network model.

본 실시예에 있어서, 상기 인공신경망 모델은 리드아웃 레졸루션(Readout Resolution)이 0 초과 1 미만인 이미지 데이터를 입력으로 하고, 리드아웃 레졸루션이 1인 이미지 데이터를 라벨로 설정하여 학습된 것인, 자기 공명 영상 처리 방법을 제공하고자 한다.In this embodiment, the artificial neural network model takes image data with a readout resolution greater than 0 and less than 1 as an input, and sets image data with a readout resolution of 1 as a label to learn magnetic resonance. It is intended to provide an image processing method.

본 실시예에 있어서, 상기 인공신경망 모델로부터 출력된 상기 출력 이미지를 상기 제1회전방향과 반대방향으로 90도 회전시켜 이미지의 방향을 되돌리는 단계를 포함하는, 자기 공명 영상 처리 방법을 제공하고자 한다.In this embodiment, it is intended to provide a magnetic resonance image processing method comprising the step of returning the direction of the image by rotating the output image output from the artificial neural network model by 90 degrees in a direction opposite to the first rotation direction. .

본 실시예에 있어서, 상기 입력 이미지는 리드아웃 레졸루션이 1인 것인, 자기 공명 영상 처리 방법을 제공하고자 한다.In this embodiment, it is intended to provide a magnetic resonance image processing method in which the readout resolution of the input image is 1.

본 실시예에 있어서, 상기 입력 이미지는 k-space 이미지 또는 DICOM 이미지인 것인, 자기 공명 영상 처리 방법을 제공하고자 한다.In this embodiment, it is intended to provide a magnetic resonance image processing method in which the input image is a k-space image or a DICOM image.

본 발명의 일 실시예에 따른 자기 공명 영상 처리 장치에 있어서, 페이즈 레졸루션(Phase Resolution)이 0 초과 1 미만인 입력 이미지를 제1회전방향으로 90도 회전시켜 인공신경망 모델에 입력하고, 상기 인공신경망 모델로부터 페이즈 레졸루션이 1인 출력 이미지가 출력되는, 자기 공명 영상 처리 장치를 제공하고자 한다.In the magnetic resonance image processing apparatus according to an embodiment of the present invention, an input image having a phase resolution greater than 0 and less than 1 is rotated by 90 degrees in a first rotation direction and inputted to an artificial neural network model, and the artificial neural network model It is intended to provide a magnetic resonance image processing device in which an output image having a phase resolution of 1 is output from .

본 실시예에 있어서, 상기 인공신경망 모델은 리드아웃 레졸루션(Readout Resolution)이 0 초과 1 미만인 이미지 데이터를 입력으로 하고, 리드아웃 레졸루션이 1인 이미지 데이터를 라벨로 설정하여 학습된 것인, 자기 공명 영상 처리 장치를 제공하고자 한다.In this embodiment, the artificial neural network model takes image data with a readout resolution greater than 0 and less than 1 as an input, and sets image data with a readout resolution of 1 as a label to learn magnetic resonance. It is intended to provide an image processing device.

본 실시예에 있어서, 상기 인공신경망 모델로부터 출력된 상기 출력 이미지를 상기 제1회전방향과 반대방향으로 90도 회전시켜 이미지의 방향을 되돌리는 단계를 포함하는, 자기 공명 영상 처리 장치를 제공하고자 한다.In this embodiment, it is intended to provide a magnetic resonance image processing device, including the step of returning the direction of the image by rotating the output image output from the artificial neural network model by 90 degrees in a direction opposite to the first rotation direction. .

본 실시예에 있어서, 상기 입력 이미지는 리드아웃 레졸루션이 1인 것인, 자기 공명 영상 처리 장치를 제공하고자 한다.In this embodiment, it is intended to provide a magnetic resonance image processing apparatus in which the readout resolution of the input image is 1.

본 실시예에 있어서, 상기 입력 이미지는 k-space 이미지 또는 DICOM 이미지인 것인, 자기 공명 영상 처리 장치를 제공하고자 한다.In this embodiment, it is intended to provide a magnetic resonance image processing device in which the input image is a k-space image or a DICOM image.

본 발명의 일 실시예에 따른 자기 공명 영상 처리 장치 및 그 방법은 페이즈 레졸루션이 0 초과 1 미만인 가속화 촬영된 자기 공명 영상을 인공 신경망 모델을 이용하여 페이즈 레졸루션이 1인 자기 공명 영상을 획득할 수 있다.The magnetic resonance image processing apparatus and method according to an embodiment of the present invention may acquire an magnetic resonance image having a phase resolution of 1 by using an artificial neural network model from an accelerated photographed magnetic resonance image having a phase resolution greater than 0 and less than 1. .

또한, 본 발명의 일 실시예에 따른 자기 공명 영상 처리 장치 및 그 방법은 리드아웃 레졸루션을 기초로 하는 이미지 학습 데이터로 학습된 인공신경망 모델을 이용하여 페이즈 레졸루션이 향상된 자기 공명 영상을 획득할 수 있다.In addition, the magnetic resonance image processing apparatus and method according to an embodiment of the present invention can acquire an magnetic resonance image with improved phase resolution by using an artificial neural network model trained with image learning data based on readout resolution. .

도 1은 본 발명의 일 실시예에 따른 자기 공명 영상 처리 장치의 구성을 보여주는 구성도이다.
도 2는 본 발명의 일 실시예에 따른 자기 공명 영상 처리 장치를 이용하여 수행되는 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 인공신경망 모델의 입력과 출력을 보여주는 도면이다.
도 5는 본 발명의 일 실시예에 따른 인공신경망 모델의 학습을 보여주는 도면이다.1 is a configuration diagram showing the configuration of a magnetic resonance image processing apparatus according to an embodiment of the present invention.
2 is a flow chart showing the sequence of a magnetic resonance image processing method performed using a magnetic resonance image processing apparatus according to an embodiment of the present invention.
3 is a schematic diagram for explaining the difference between full sampling and subsampling according to an embodiment of the present invention.
4 is a diagram showing inputs and outputs of an artificial neural network model according to an embodiment of the present invention.
5 is a diagram showing learning of an artificial neural network model according to an embodiment of the present invention.

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.Hereinafter, with reference to the accompanying drawings, embodiments of the present invention will be described in detail so that those skilled in the art can easily practice it. However, the present invention may be embodied in many different forms and is not limited to the embodiments set forth herein. And, in order to clearly explain the present invention in the drawings, parts irrelevant to the description are omitted, and similar reference numerals are attached to similar parts throughout the specification.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐만 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.Throughout the specification, when a part is said to be "connected" to another part, this includes not only the case of being "directly connected" but also the case of being "electrically connected" with another element in between. . In addition, when a part "includes" a certain component, it means that it may further include other components without excluding other components unless otherwise stated.

본 명세서에서, '서버'는 하나 이상의 메모리들, 하나 이상의 컴퓨터 프로세서들, 및 하나 이상의 프로그램들을 포함하도록 구성된 컴퓨터를 의미하며, 여기서, 하나 이상의 프로그램들은 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 서로 연결되어 있을 수 있다.In this specification, 'server' refers to a computer configured to include one or more memories, one or more computer processors, and one or more programs, where one or more programs are stored in memory and executed by one or more processors. (executed), and one or more memories, one or more computer processors, and one or more programs may be physically located in the same device and connected directly or connected to each other through a communication network.

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(MRI) 장치, 컴퓨터 단층 촬영(CT) 장치, 초음파 촬영 장치, 또는 엑스레이 촬영 장치 등의 의료 영상 장치에 의해 획득된 의료 영상을 포함할 수 있다.In this specification, 'image' may refer to multi-dimensional data composed of discrete image elements (eg, pixels in a 2D image and voxels in a 3D image). For example, the image may include a medical image obtained by a medical imaging device such as a magnetic resonance imaging (MRI) device, a computed tomography (CT) device, an ultrasound imaging device, or an X-ray imaging device.

본 명세서에서 '영상 복원'이란 해상도가 낮은 이미지의 해상도를 향상시키거나, 품질이 낮은 이미지의 품질을 향상시키는 것을 포함할 수 있다. 또한 MRI의 경우, '영상 복원'이란 상술한 의미 뿐만 아니라 서브샘플링된 k-space데이터로부터 생성된 이미지를 풀샘플링된 k-space데이터로부터 생성된 이미지와 동일/유사하게 가공하는 것일 수 있다.In this specification, 'image restoration' may include improving the resolution of a low-resolution image or improving the quality of a low-quality image. In addition, in the case of MRI, 'image reconstruction' may mean processing an image generated from subsampled k-space data to be the same as/similar to an image generated from full-sampled k-space data as well as the above meaning.

이하에서는, 첨부된 도면을 참조하여 본 발명의 일 실시예에 따른 자기 공명 영상 처리 장치에 대하여 상세히 설명하기로 한다.Hereinafter, a magnetic resonance image processing apparatus according to an embodiment of the present invention will be described in detail with reference to the accompanying drawings.

도 1은 본 발명의 일 실시예에 따른 자기 공명 영상 처리 장치의 구성을 설명하기 위한 도면이다.1 is a diagram for explaining the configuration of a magnetic resonance image processing apparatus according to an embodiment of the present invention.

도 1을 참조하면, 자기 공명 영상 처리 장치(100)는, 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 장치(100)는 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 디바이스일 수 있다.Referring to FIG. 1 , the magnetic resonance image processing apparatus 100 includes not only an MRI system capable of acquiring a magnetic resonance image by detecting a magnetic resonance signal by itself, but also an image processing apparatus processing an image obtained from the outside, a magnetic resonance image, and a magnetic resonance image. It may be, but is not limited to, a smartphone, tablet PC, PC, smart TV, micro server, cloud server, other home appliances and other mobile or non-mobile computing devices having a processing function for resonance images. Also, the magnetic resonance image processing apparatus 100 may be a wearable device having a communication function and data processing function, such as a watch, glasses, a hair band, and a ring.

또한, 본 발명의 일 실시예에 따른 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 장치(100)와 통신하여 의료 영상 데이터를 송수신하고, 인공신경망 모델을 활용하여 자기 공명 영상 데이터를 복원하는 자기 공명 영상 처리 장치(100)에 관한 것일 수 있다.In addition, the magnetic resonance image processing apparatus 100 according to an embodiment of the present invention communicates with a picture archiving and communication system (PACS) used in a medical institution or the magnetic resonance image processing apparatus 100 to obtain a medical image. It may relate to a magnetic resonance image processing apparatus 100 that transmits and receives data and restores magnetic resonance image data using an artificial neural network model.

구체적으로, 본 발명의 일 실시예에 따른 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 장치(100)는 서버 컴퓨팅, 엣지 컴퓨팅, 서버리스 컴퓨팅 등의 자기 공명 영상 처리 방법을 수행할 수 있는 다양한 형태의 컴퓨팅 시스템으로 구현될 수도 있다.Specifically, the magnetic resonance image processing device 100 according to an embodiment of the present invention may be implemented in the form of a cloud computing system. Cloud computing is a computing environment that can comprehensively use IT-related services such as data storage, network, and content use through servers on the Internet. Alternatively, the magnetic resonance image processing apparatus 100 may be implemented as various types of computing systems capable of performing magnetic resonance image processing methods such as server computing, edge computing, and serverless computing.

본 발명의 일 실시예에 따른 자기 공명 영상 처리 장치(100)는 통신 모듈(110), 메모리(120), 프로세서(130), 데이터베이스(140)를 포함할 수 있다.The magnetic resonance image processing apparatus 100 according to an embodiment of the present invention may include a communication module 110, a memory 120, a processor 130, and a database 140.

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.The communication module 110 interworks with a communication network to provide a communication interface to the magnetic resonance image processing device 100. The magnetic resonance image processing device 100 uses the communication module 110 to provide a client terminal, a PACS terminal and It can send and receive data to and from the PACS server. Here, the communication module 110 may be a device including hardware and software necessary for transmitting and receiving a signal such as a control signal or a data signal with another network device through a wired or wireless connection.

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 장치인 것도 가능하다.Meanwhile, in the present invention, a 'terminal' may be a wireless communication device that ensures portability and mobility, and may be, for example, any type of handheld-based wireless communication device such as a smart phone, a tablet PC, or a laptop computer. have. In addition, the 'terminal' may be a wearable device such as a watch, glasses, hair band, and ring having a communication function and a data processing function. In addition, the 'terminal' may be a wired communication device such as a PC capable of accessing other terminals or servers through a network.

메모리(120)는 자기 공명 영상 처리 장치(100)에서 수행되는 프로그램이 기록된 저장 매체일 수 있다. 또한, 메모리(120)는 프로세서가 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.The memory 120 may be a storage medium in which programs executed by the magnetic resonance image processing apparatus 100 are recorded. Also, the memory 120 may temporarily or permanently store data processed by the processor. Here, the memory 120 may include volatile storage media or non-volatile storage media, but the scope of the present invention is not limited thereto.

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.The processor 130 may control all processes of programs executed in the magnetic resonance image processing apparatus 100 . Here, the processor 130 may include all types of devices capable of processing data, such as a processor. Here, a 'processor' may refer to a data processing device embedded in hardware having a physically structured circuit to perform functions expressed by codes or instructions included in a program, for example. As an example of such a data processing device built into hardware, a microprocessor, a central processing unit (CPU), a processor core, a multiprocessor, an application-specific integrated integrated circuit (ASIC) circuit), a field programmable gate array (FPGA), and a graphics processing unit (GPU), but the scope of the present invention is not limited thereto.

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(400) 및 학습 데이터가 저장된 것일 수 있다.The database 140 may store various data necessary for the magnetic resonance image processing apparatus 100 to execute a program. For example, the database 140 may store a user list, work list, image processing information and protocol rules, medical image data, the artificial neural network model 400, and learning data.

한편, 의료기관에는 일반적으로 의료 영상 데이터 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.Meanwhile, in a medical institution, a client terminal that controls the medical image data transmission or controls the transmission of medical image data by interlocking with a medical image data capture device, and a PACS device installed with a PACS program that allows medical staff to view, process, and manage medical image data. It can be.

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 모델(400)을 통해 복원된 의료 영상 데이터를 수신하여 PACS서버에 저장하거나, 디스플레이에 출력하기 위한 사용자 인터페이스를 제공하는 프로그램이 설치된 단말일 수 있다.The client terminal may be a terminal on which a program for providing a user interface (UI) for outputting user login, worklist, and image processing details is installed. The PACS terminal transmits medical image data and personal information data stored in the PACS server to the magnetic resonance image processing device 100, receives the restored medical image data through the artificial neural network model 400, and stores or displays it in the PACS server. It may be a terminal on which a program providing a user interface for outputting is installed.

이하에서는 본 발명의 일 실시예에 따른 자기 공명 영상 처리 장치(100)를 이용한 자기 공명 영상 처리 방법에 대하여 상세히 설명하기로 한다. Hereinafter, a magnetic resonance image processing method using the magnetic resonance image processing apparatus 100 according to an embodiment of the present invention will be described in detail.

도 2는 본 발명의 일 실시예에 따른 자기 공명 영상 처리 장치(100)를 이용하여 수행되는 자기 공명 영상 처리 방법의 순서를 보여주는 순서도이다.2 is a flow chart showing the sequence of a magnetic resonance image processing method performed using the magnetic resonance image processing apparatus 100 according to an embodiment of the present invention.

도 2를 참조하면, 본 발명의 일 실시예에 따른 자기 공명 영상 처리 장치(100)에 의해 수행되는 자기 공명 영상 처리 방법에 있어서, 먼저 페이즈 레졸루션(Phase Resolution)이 0 초과 1 미만인 입력 이미지를 제1회전방향으로 90도 회전시켜 인공신경망 모델(400)에 입력하는 단계(S210)가 수행될 수 있다.Referring to FIG. 2 , in the magnetic resonance image processing method performed by the magnetic resonance image processing apparatus 100 according to an embodiment of the present invention, first, an input image having a phase resolution greater than 0 and less than 1 is removed. A step (S210) of rotating 90 degrees in one rotational direction and inputting the data to the artificial neural network model 400 may be performed.

도 3은 본 발명의 일 실시예에 따른 풀 샘플링과 서브 샘플링의 차이점을 설명하기 위한 개략도이다.3 is a schematic diagram for explaining the difference between full sampling and subsampling according to an embodiment of the present invention.

도 3을 참조하면, 페이즈 레졸루션이란 자기 공명 신호를 샘플링하는 과정에서 샘플링된 라인이 스택(stack)되는 방향인 페이즈 인코딩 방향을 기준으로 측정되는 해상도일 수 있다. 이 때 페이즈 레졸루션의 값은 풀 샘플링된 k-space 데이터의 위상인코딩 축 데이터의 범위를 1로 하였을 때, 실제로 가속화 촬영된 k-space 데이터의 위상인코딩 축 데이터 범위의 상대적 크기를 의미할 수 있다. 그리고 리드아웃 레졸루션이란 샘플링된 라인이 연장된 방향을 기준으로 측정되는 해상도일 수 있다. 리드아웃 레졸루션의 값은 페이즈 레졸루션과 마찬가지로 k-space에서 리드아웃 방향 데이터 범위의 상대적 크기를 의미할 수 있다.Referring to FIG. 3 , the phase resolution may be a resolution measured based on a phase encoding direction, which is a direction in which a sampled line is stacked in a process of sampling a magnetic resonance signal. In this case, the phase resolution value may mean the relative size of the phase encoding axis data range of k-space data actually accelerated when the range of phase encoding axis data of full-sampled k-space data is set to 1. Further, the readout resolution may be a resolution measured based on a direction in which the sampled line is extended. Like the phase resolution, the value of the readout resolution may mean a relative size of a data range in a readout direction in k-space.

제1회전방향은 위상 인코딩 방향 및 리드아웃 방향으로 각각 연장된 직선이 형성하는 평면에서의 시계방향 또는 반시계방향일 수 있다.The first rotation direction may be clockwise or counterclockwise in a plane formed by straight lines extending in the phase encoding direction and the readout direction, respectively.

도 4는 본 발명의 일 실시예에 따른 인공신경망 모델(400)의 입력과 출력을 보여주는 도면이다.4 is a diagram showing inputs and outputs of an artificial neural network model 400 according to an embodiment of the present invention.

도 4를 참조하면, 입력 이미지는 자기 공명 영상으로서, k-space 이미지 또는 DICOM 이미지인 것일 수 있다. 입력 이미지는 리드아웃 레졸루션이 대략 1인 것일 수 있다. 또한 입력 이미지는 리드아웃 레졸루션이 0 초과 1 미만인 것일 수 있다. 구체적으로, 입력 이미지의 리드아웃 레졸루션은 입력 이미지의 페이즈 레졸루션과 동일할 수 있다.Referring to FIG. 4 , an input image is a magnetic resonance image and may be a k-space image or a DICOM image. The input image may have a readout resolution of approximately 1. Also, the input image may have a readout resolution greater than 0 and less than 1. Specifically, the readout resolution of the input image may be the same as the phase resolution of the input image.

자기 공명 영상은 가속화 촬영된 k-space 데이터 및 가속화 촬영된 k-space 데이터를 기초로 생성된 DICOM 데이터 중 적어도 어느 하나를 포함할 수 있다.The magnetic resonance image may include at least one of accelerated imaging k-space data and DICOM data generated based on the accelerated imaging k-space data.

가속화 촬영이란 k-space에서 위상인코딩 방향으로 더 좁은 범위의 신호를 얻어 해상도가 낮은 이미지를 얻는 것을 의미할 수 있다. 또한, 가속화 촬영이란 의료 영상 데이터가 MRI 촬영된 영상인 경우에 MRI 촬영 시간을 단축시켜 서브 샘플링된 자기 공명 신호를 획득하는 것을 의미할 수 있다. 서브 샘플링된 자기 공명 신호는 나이키스트 샘플링 레이트보다 낮은 샘플링 레이트로 샘플링된 자기 공명 신호일 수 있다. 즉, 가속화 촬영된 자기 공명 영상은 나이키스트 샘플링 레이트보다 낮은 샘플링 레이트로 자기 공명 신호를 샘플링하여 획득된 영상일 수 있다. 서브 샘플링된 자기 공명 영상은 다양한 인공적인 이미지인 아티팩트(artifacts)를 포함하는 영상일 수 있다. Acceleration imaging may mean obtaining a low-resolution image by obtaining a signal in a narrower range in the phase encoding direction in k-space. Also, accelerated imaging may refer to acquiring a subsampled magnetic resonance signal by shortening an MRI imaging time when medical image data is an MRI image. The subsampled magnetic resonance signal may be a magnetic resonance signal sampled at a sampling rate lower than the Nyquist sampling rate. That is, the accelerated magnetic resonance image may be an image obtained by sampling the magnetic resonance signal at a sampling rate lower than the Nyquist sampling rate. The subsampled magnetic resonance image may be an image including various artificial image artifacts.

예를 들어, 풀 샘플링된 자기 공명 신호의 라인(line) 수가 n개이고 서브 샘플링된 자기 공명 신호의 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.For example, the number of lines of the full-sampled magnetic resonance signal may be n and the number of lines of the sub-sampled magnetic resonance signal may be n/2. Here, if the degree of reduction of the sampling line is 1/2 times, it can be said that the acceleration index of magnetic resonance imaging is 2. If the degree of reduction of the sampling line is a multiple of 1/3 or 1/4, the acceleration exponents can be said to be 3 and 4, respectively.

K-space는 디지털화된 MR 신호의 데이터가 저장되는 임시 이미지 공간 (일반적으로 매트릭스)을 의미할 수 있다. K-space가 가득 차면(MRI 스캔 종료시) 데이터가 수학적으로 처리되어 최종 이미지가 생성될 수 있다. K-space는 이미지 재구성 전에 로우 데이터를 보유할 수 있다. K-space 이미지는 로우 데이터가 이미지화된 것일 수 있다.K-space may refer to a temporary image space (typically a matrix) in which data of a digitized MR signal is stored. When the K-space is full (at the end of the MRI scan), the data can be mathematically processed to create the final image. K-space can hold raw data before image reconstruction. The K-space image may be an image of raw data.

DICOM(Digital Imaging and Communications in Medicine)은 의료용 디지털 영상 및 통신 표준을 의미하며, 의료기기에서 디지털 영상표현과 통신에 사용되는 여러 가지 표준을 총칭하는 것이다.DICOM (Digital Imaging and Communications in Medicine) means digital image and communication standards for medical use, and is a collective term for various standards used for digital image expression and communication in medical devices.

DICOM 데이터는 주로 환자 정보 및 미디어 특성 정보(patient information and media characteristics)를 포함할 수 있다. 예를 들어, DICOM 데이터에 포함되는 다양한 의료 정보 데이터는 의료 현장에서 수집되는 환자 관련 텍스트 정보 및 가공되지 않은 미디어 정보로서, 그 포맷에는 특별한 제한이 없다. 보다 구체적으로, DICOM 데이터는 환자의 생체 정보, 의료 현장에서 생성되는 환자나 피치료 부위 등에 대한 정지 영상인 의료 이미지 정보 및 의료 현장에서 촬영되는 의료 동 영상 또는 의료 비디오 정보를 포함할 수 있다. DICOM 이미지는 DICOM 데이터에 포함된 의료 영상일 수 잇다.DICOM data may mainly include patient information and media characteristics. For example, various medical information data included in DICOM data are patient-related text information and unprocessed media information collected in a medical field, and the format is not particularly limited. More specifically, the DICOM data may include biometric information of a patient, medical image information, which is a still image of a patient or a region to be treated, generated at a medical site, and medical moving images or medical video information captured at a medical site. The DICOM image may be a medical image included in DICOM data.

또한, 자기 공명 영상은 복수개의 영상 슬라이스가 축적되어 형성되는 3D 영상일 수 있다. 또한 이러한 3D 의료 영상을 각각의 방향으로 슬라이스 처리하여 복수개의 영상 슬라이스를 생성할 수도 있다.Also, the magnetic resonance image may be a 3D image formed by accumulating a plurality of image slices. In addition, a plurality of image slices may be generated by slicing the 3D medical image in each direction.

인공신경망 모델(400)은 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. 인공 신경망 모델은 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)과 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되는 것은 아니다.The artificial neural network model 400 may be a set of algorithms for learning a correlation between at least one sub-sampled MRI image and at least one full-sampled MRI image using a statistical machine learning result. The artificial neural network model may include at least one neural network. The neural network may include network models such as a deep neural network (DNN), a recurrent neural network (RNN), a bidirectional recurrent deep neural network (BRDNN), a multilayer perceptron (MLP), and a convolutional neural network (CNN). It is not limited to this.

예를 들어, 인공신경망 모델(400)은 뉴럴 네트워크를 이용하여 적어도 하나의 서브 샘플링된 자기 공명 영상 및 적어도 하나의 풀 샘플링된 자기 공명 영상 간의 상관 관계를 페이즈 인코딩 방향에 따라 스택되는 적어도 하나의 샘플링 라인의 픽셀들을 단위로 학습하여 구축된 모델일 수 있다. 또한, 인공신경망 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 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.For example, the artificial neural network model 400 uses a neural network to map a correlation between at least one subsampled magnetic resonance image and at least one full sampled magnetic resonance image to at least one sampling stacked according to a phase encoding direction. It may be a model built by learning pixels of a line as a unit. In addition, the artificial neural network model 400 may be constructed using various additional data in addition to the sub-sampled magnetic resonance image and the full-sampled magnetic resonance image. For example, as additional data, at least one of k-space data corresponding to the magnetic resonance image, real image data, imaginary image data, magnitude image data, phase image data, sensitivity data of a multi-channel RF coil, and noise pattern image data can be used.

도 5는 본 발명의 일 실시예에 따른 인공신경망 모델(400)의 학습을 보여주는 도면이다.5 is a diagram showing learning of the artificial neural network model 400 according to an embodiment of the present invention.

도 5를 참조하면, 특히 인공신경망 모델(400)은 리드아웃 레졸루션이 0 초과 1 미만인 이미지 데이터를 입력(input)으로 하고, 리드아웃 레졸루션이 대략 1인 이미지 데이터를 라벨(label)로 설정하여 학습된 것일 수 있다. 또한, 인공신경망 모델(400)은 페이즈 레졸루션이 0 초과 1 미만인 이미지 데이터를 입력으로 하고, 페이즈 레졸루션이 대략 1인 이미지 데이터를 라벨로 설정하여 학습된 것일 수 있다. 구체적으로, 인공신경망 모델 학습에 사용되는 이미지 데이터의 리드아웃 레졸루션은 최종적으로 학습된 인공신경망 모델(400)에 입력하는 입력 이미지의 페이즈 레졸루션과 같을 수 있다. 인공신경망 모델(400)이 학습하는 이미지 데이터의 리드아웃 레졸루션이, 학습 완료된 인공신경망 모델(400)에 입력되는 입력 이미지의 페이즈 레졸루션과 동일/유사할수록 인공신경망 모델(400)의 성능이 향상되기 때문이다.Referring to FIG. 5 , in particular, the artificial neural network model 400 takes image data with a readout resolution greater than 0 and less than 1 as input, and sets image data with a readout resolution of approximately 1 as a label for learning. may have been In addition, the artificial neural network model 400 may be learned by taking image data having a phase resolution of greater than 0 and less than 1 as an input and setting image data having a phase resolution of approximately 1 as a label. Specifically, the readout resolution of image data used for learning the artificial neural network model may be the same as the phase resolution of the input image input to the finally trained artificial neural network model 400 . This is because the performance of the artificial neural network model 400 improves as the readout resolution of the image data that the artificial neural network model 400 learns is the same/similar to the phase resolution of the input image input to the artificial neural network model 400 that has been trained. to be.

그 다음으로, 인공신경망 모델(400)로부터 페이즈 레졸루션이 1인 출력 이미지가 출력되는 단계(S220)가 수행될 수 있다.Next, a step (S220) of outputting an output image having a phase resolution of 1 from the artificial neural network model 400 may be performed.

리드아웃 방향과 90도 위상차이가 있는 페이즈 인코딩 방향을 기준으로 측정된 페이즈 레졸루션이 0 초과 1 미만인 이미지가 90도 회전되어 리드아웃 레졸루션이 0 초과 1 미만인 입력 이미지 및 그와 매칭된 리드아웃 레졸루션이 1인 라벨 이미지로 학습된 인공신경망 모델(400)에 입력되면, 이미지 복원이 수행되어 페이즈 레졸루션이 1인 출력 이미지가 출력될 수 있는 것이다.An image with a phase resolution greater than 0 and less than 1 measured based on the phase encoding direction with a phase difference of 90 degrees from the readout direction is rotated by 90 degrees, so that the input image with a leadout resolution greater than 0 and less than 1 and the matched readout resolution are When a label image of 1 is input to the trained artificial neural network model 400, image restoration is performed and an output image having a phase resolution of 1 can be output.

그 다음으로, 인공신경망 모델(400)로부터 출력된 출력 이미지를 제1회전방향과 반대방향으로 90도 회전시켜 이미지의 방향을 되돌리는 단계(S230)가 수행될 수 있다.Next, a step of returning the direction of the image by rotating the output image output from the artificial neural network model 400 by 90 degrees in a direction opposite to the first rotation direction (S230) may be performed.

또한, 인공신경망 모델(400) 자체로부터 이미지 회전이 수행되어, 인공신경망 모델(400)로부터 페이즈 레졸루션이 1인 출력 이미지가 제1회전방향과 반대방향으로 90도 회전된 것이 출력될 수 있다.In addition, image rotation is performed from the artificial neural network model 400 itself, so that an output image having a phase resolution of 1 from the artificial neural network model 400 rotated by 90 degrees in a direction opposite to the first rotation direction may be output.

이로써, 페이즈 레졸루션이 0 초과 1 미만인 자기 공명 영상이 인공신경망 모델(400)에 입력되면 복원이 수행되어 페이즈 레졸루션이 1인 자기 공명 영상이 출력될 수 있는 것이다.Accordingly, when a magnetic resonance image having a phase resolution greater than 0 and less than 1 is input to the artificial neural network model 400, restoration is performed, and a magnetic resonance image having a phase resolution of 1 may be output.

이상으로 설명한 본 발명의 일 실시예에 따른 자기 공명 영상 처리 장치(100) 및 그 방법은 페이즈 레졸루션이 0 초과 1 미만인 가속화 촬영된 자기 공명 영상을 인공 신경망 모델을 이용하여 페이즈 레졸루션이 1인 자기 공명 영상을 획득할 수 있다.The above-described magnetic resonance image processing apparatus 100 and method according to an embodiment of the present invention use an artificial neural network model for an accelerated-photographed magnetic resonance image with a phase resolution greater than 0 and less than 1 to obtain a magnetic resonance image with a phase resolution of 1. image can be obtained.

또한, 본 발명의 일 실시예에 따른 자기 공명 영상 처리 장치(100) 및 그 방법은 리드아웃 레졸루션을 기준으로 하는 이미지 학습 데이터로 학습된 인공신경망 모델을 이용하여 페이즈 레졸루션이 향상된 자기 공명 영상을 획득할 수 있다.In addition, the magnetic resonance image processing apparatus 100 and method according to an embodiment of the present invention obtains a magnetic resonance image with improved phase resolution using an artificial neural network model trained with image learning data based on readout resolution. can do.

한편, 본 발명의 일 실시예에 따른 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.Meanwhile, the magnetic resonance image processing method according to an embodiment of the present invention may be implemented in the form of a recording medium including instructions executable by a computer, such as program modules executed by a computer. Computer readable media can be any available media that can be accessed by a computer and includes both volatile and nonvolatile media, removable and non-removable media. Also, computer readable media may include computer storage media. Computer storage media includes both volatile and nonvolatile, removable and non-removable media implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data. Although the methods and systems of the present invention have been described with reference to specific embodiments, some or all of their components or operations may be implemented using a computer system having a general-purpose hardware architecture.

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.The above description is merely an example of the technical idea of the present invention, and various modifications and variations can be made to those skilled in the art without departing from the essential characteristics of the present invention. Therefore, the embodiments disclosed in the present invention are not intended to limit the technical spirit of the present invention, but to explain, and the scope of the technical spirit of the present invention is not limited by these embodiments. The protection scope of the present invention should be construed according to the claims below, and all technical ideas within the equivalent range should be construed as being included in the scope of the present invention.

100: 자기 공명 영상 처리 장치
110: 통신 모듈
120: 메모리
130: 프로세서
140: 데이터베이스
400: 인공신경망 모델100: magnetic resonance image processing device
110: communication module
120: memory
130: processor
140: database
400: artificial neural network model

Claims (10)

자기 공명 영상 처리 장치에 의해 수행되는 자기 공명 영상 처리 방법에 있어서,
페이즈 레졸루션(Phase Resolution)이 0 초과 1 미만인 입력 이미지를 제1회전방향으로 90도 회전시켜 인공신경망 모델에 입력하는 단계;
상기 인공신경망 모델로부터 페이즈 레졸루션이 1인 출력 이미지가 출력되는 단계; 및
상기 인공신경망 모델로부터 출력된 상기 출력 이미지를 상기 제1회전방향과 반대방향으로 90도 회전시켜 이미지의 방향을 되돌리는 단계를 포함하며,
상기 인공신경망 모델은 리드아웃 레졸루션(Readout Resolution)이 0 초과 1 미만인 이미지 데이터를 입력으로 하고,
리드아웃 레졸루션이 1인 이미지 데이터를 라벨로 설정하여 학습된 것인, 자기 공명 영상 처리 방법.A magnetic resonance image processing method performed by a magnetic resonance image processing apparatus,
Rotating an input image having a phase resolution greater than 0 and less than 1 by 90 degrees in a first rotation direction and inputting the image to an artificial neural network model;
outputting an output image having a phase resolution of 1 from the artificial neural network model; and
Rotating the output image output from the artificial neural network model by 90 degrees in a direction opposite to the first rotation direction to return the direction of the image,
The artificial neural network model takes image data whose readout resolution is greater than 0 and less than 1 as input,
A magnetic resonance image processing method, which is learned by setting image data having a readout resolution of 1 as a label. 삭제delete 삭제delete 제1항에 있어서,
상기 입력 이미지는 리드아웃 레졸루션이 1인 것인, 자기 공명 영상 처리 방법.According to claim 1,
The input image has a readout resolution of 1, magnetic resonance image processing method. 제1항에 있어서,
상기 입력 이미지는 k-space 이미지 및 DICOM 이미지인 중 적어도 어느 하나인 것인, 자기 공명 영상 처리 방법.According to claim 1,
The input image is at least one of a k-space image and a DICOM image, magnetic resonance image processing method. 자기 공명 영상 처리 장치에 있어서,
페이즈 레졸루션(Phase Resolution)이 0 초과 1 미만인 입력 이미지를 제1회전방향으로 90도 회전시켜 인공신경망 모델에 입력하고, 상기 인공신경망 모델로부터 페이즈 레졸루션이 1인 출력 이미지를 출력하며, 상기 인공신경망 모델로부터 출력된 상기 출력 이미지를 상기 제1회전방향과 반대방향으로 90도 회전시켜 이미지의 방향을 되돌리되,
상기 인공신경망 모델은 리드아웃 레졸루션(Readout Resolution)이 0 초과 1 미만인 이미지 데이터를 입력으로 하고, 리드아웃 레졸루션이 1인 이미지 데이터를 라벨로 설정하여 학습된 것인, 자기 공명 영상 처리 장치.In the magnetic resonance image processing device,
An input image having a phase resolution greater than 0 and less than 1 is rotated by 90 degrees in a first rotation direction and inputted to an artificial neural network model, and an output image having a phase resolution of 1 is output from the artificial neural network model, and the artificial neural network model Rotate the output image output from 90 degrees in a direction opposite to the first rotation direction to return the direction of the image,
The artificial neural network model is learned by taking image data having a readout resolution greater than 0 and less than 1 as an input and setting image data having a readout resolution of 1 as a label. 삭제delete 삭제delete 제6항에 있어서,
상기 입력 이미지는 리드아웃 레졸루션이 1인 것인, 자기 공명 영상 처리 장치.According to claim 6,
The input image has a readout resolution of 1, the magnetic resonance image processing device. 제6항에 있어서,
상기 입력 이미지는 k-space 이미지 및 DICOM 이미지 중 적어도 어느 하나인 것인, 자기 공명 영상 처리 장치.According to claim 6,
The input image is at least one of a k-space image and a DICOM image, magnetic resonance image processing device.
KR1020210042244A 2021-03-31 2021-03-31 Magnetic resonance image processing apparatus and method with phase resolution enhancement applied KR102467290B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210042244A KR102467290B1 (en) 2021-03-31 2021-03-31 Magnetic resonance image processing apparatus and method with phase resolution enhancement applied

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210042244A KR102467290B1 (en) 2021-03-31 2021-03-31 Magnetic resonance image processing apparatus and method with phase resolution enhancement applied

Publications (2)

Publication Number Publication Date
KR20220138481A KR20220138481A (en) 2022-10-13
KR102467290B1 true KR102467290B1 (en) 2022-11-16

Family

ID=83599268

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210042244A KR102467290B1 (en) 2021-03-31 2021-03-31 Magnetic resonance image processing apparatus and method with phase resolution enhancement applied

Country Status (1)

Country Link
KR (1) KR102467290B1 (en)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101923184B1 (en) 2017-08-25 2018-11-28 삼성전자주식회사 Method and magnetic resonance imaging apparatus thereof for restoring image using neural network
KR102232606B1 (en) 2020-08-31 2021-03-26 이화여자대학교 산학협력단 Device and method for dynamic tagged magnet resonance imaging

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102210457B1 (en) 2017-09-29 2021-02-01 연세대학교 산학협력단 Apparatus and Method for Reconstructing Magnetic Resonance Image use Learning, Under-sampling Apparatus and Method about it, and Recording Medium thereof
KR102090690B1 (en) * 2018-04-06 2020-03-18 연세대학교 산학협력단 Apparatus and method for selecting imaging protocol of magnetic resonance imaging by using artificial neural network, and computer-readable recording medium storing related program

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101923184B1 (en) 2017-08-25 2018-11-28 삼성전자주식회사 Method and magnetic resonance imaging apparatus thereof for restoring image using neural network
KR102232606B1 (en) 2020-08-31 2021-03-26 이화여자대학교 산학협력단 Device and method for dynamic tagged magnet resonance imaging

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Akshay S. Chaudhari 외, DL-MRI: Super-Resolution Musculoskeletal MRI Using Deep Learning, Vol.80, No.5, pp.1-27.*
Seong Jae Park 외, Blended-Transfer Learning for Compressed-Sensing Cardiac CINE MRI, iMRI, 2021.03.30., Vol.2021, No.25, pp.10-22.*
Tianming Du 외, Adaptive convolutional neural networks for k-space data interpolation in fast magnetic resonance imaging, arXiv, 2020.06.09., pp.1-13.*

Also Published As

Publication number Publication date
KR20220138481A (en) 2022-10-13

Similar Documents

Publication Publication Date Title
US20230215161A1 (en) System and method for automated transform by manifold approximation
Fabian et al. Data augmentation for deep learning based accelerated MRI reconstruction with limited data
KR102588863B1 (en) Magnetic resonance image processing apparatus and method
KR102428725B1 (en) Method and program for imaging quality improving
Liu et al. Learning MRI artefact removal with unpaired data
KR102584166B1 (en) MAGNETIC RESONANCE IMAGE PROCESSING APPARATUS AND METHOD USING ARTIFICIAL NEURAL NETWORK AND RESCAlING
KR101885562B1 (en) Method for mapping region of interest in first medical image onto second medical image and apparatus using the same
US11734817B2 (en) Medical information processing apparatus, magnetic resonance imaging apparatus, and medical information processing method
KR102467290B1 (en) Magnetic resonance image processing apparatus and method with phase resolution enhancement applied
KR102475397B1 (en) Magnetic resonance image processing apparatus and method with slice resolution enhancement applied
US11880915B2 (en) Systems and methods for magnetic resonance imaging
KR102513218B1 (en) Method, computer program and apparatus for generating training data
EP4297041A1 (en) System and method for restoring and transmitting medical image
KR102467249B1 (en) Magnetic resonance image processing apparatus and method to which multi-sequence restoration technique is applied
KR102475390B1 (en) Magnetic resonance image processing apparatus and method to which 3d mask automatic generation technique is applied
CN114494484A (en) Training method of data recognition model, data recognition method, device and equipment
KR102472546B1 (en) Magnetic resonance image processing apparatus and method to which noise-to-noise technique is applied
US20240127498A1 (en) Magnetic resonance image processing method and apparatus using scan parameters
KR102572311B1 (en) Magnetic resonance image processing apparatus and method using artificial neural network and substitute map
WO2022124473A1 (en) Magnetic resonance image processing apparatus with artificial neural network applied to k-space domain and method therefor
US20230342996A1 (en) System and method for complex input data configurations for imaging applications
CN115147502A (en) Image reconstruction model generation and image reconstruction method, device, equipment and medium

Legal Events

Date Code Title Description
AMND Amendment
AMND Amendment
X701 Decision to grant (after re-examination)