KR102588863B1 - 자기 공명 영상 처리 장치 및 그 방법 - Google Patents

자기 공명 영상 처리 장치 및 그 방법 Download PDF

Info

Publication number
KR102588863B1
KR102588863B1 KR1020200050776A KR20200050776A KR102588863B1 KR 102588863 B1 KR102588863 B1 KR 102588863B1 KR 1020200050776 A KR1020200050776 A KR 1020200050776A KR 20200050776 A KR20200050776 A KR 20200050776A KR 102588863 B1 KR102588863 B1 KR 102588863B1
Authority
KR
South Korea
Prior art keywords
magnetic resonance
resonance image
image
data
image processing
Prior art date
Application number
KR1020200050776A
Other languages
English (en)
Other versions
KR20210103363A (ko
Inventor
고진규
윤재연
정근우
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 KR1020200050776A priority Critical patent/KR102588863B1/ko
Publication of KR20210103363A publication Critical patent/KR20210103363A/ko
Application granted granted Critical
Publication of KR102588863B1 publication Critical patent/KR102588863B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences
    • G01R33/5611—Parallel magnetic resonance imaging, e.g. sensitivity encoding [SENSE], simultaneous acquisition of spatial harmonics [SMASH], unaliasing by Fourier encoding of the overlaps using the temporal dimension [UNFOLD], k-t-broad-use linear acquisition speed-up technique [k-t-BLAST], k-t-SENSE
    • 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/4818—MR characterised by data acquisition along a specific k-space trajectory or by the temporal order of k-space coverage, e.g. centric or segmented coverage of k-space
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • 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]
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Medical Informatics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

본 발명의 일 실시예에 따른, 자기 공명 영상 처리 장치에 의한 자기 공명 영상 처리 방법에 있어서, 서브 샘플링된 자기 공명 신호를 획득하는 단계; 서브 샘플링된 자기 공명 신호로부터 제1 병렬 영상 기법을 이용하여 제1 k-space 데이터를 획득하는 단계; 제1 k-space 데이터로부터 역 퓨리에 연산을 이용하여 제1 자기 공명 영상을 획득하는 단계; 제1 자기 공명 영상을 전처리하여 제1 입력 영상 데이터를 생성하는 단계; 및 제1 입력 영상 데이터로부터 제1 인공 신경망 모델을 이용하여 제1 출력 자기 공명 영상을 획득하는 단계를 포함하는, 자기 공명 영상 처리 방법을 제공하고자 한다.

Description

자기 공명 영상 처리 장치 및 그 방법{MAGNETIC RESONANCE IMAGE PROCESSING APPARATUS AND METHOD}
본 발명은 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.
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.
여기서, 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.
구체적으로, 자기 공명 영상 촬영 장치는 원자핵에 일정한 자기장을 가한 상태에서 일정한 주파수의 에너지를 공급하여 원자핵으로부터 방출된 에너지를 신호로 변환하여 인체 내부를 진단하는 영상 진단 장치이다. 원자핵을 구성하는 양성자는 스스로가 스핀 각운동량과 자기 쌍극자를 갖기 때문에 자기장을 가해주면 자기장의 방향으로 정렬되고, 자기장의 방향을 중심으로 원자핵이 세차운동을 한다. 이러한 세차운동에 의해 핵자기 공명 현상을 통한 인체의 영상을 획득할 수 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 제10-1330638호(2013.11.18.)
본 발명에 따른 자기 공명 영상 처리 장치 및 그 방법은 자기 공명 영상 촬영 시간을 단축시키더라도 양질의 복원 영상을 획득할 수 있는 자기 공명 영상 처리 장치 및 그 방법을 제공하여 환자의 병변 부위 진단을 용이하게 하고자 한다.
본 발명의 일 실시예에 따른, 자기 공명 영상 처리 장치에 의한 자기 공명 영상 처리 방법에 있어서, 서브 샘플링된 자기 공명 신호를 획득하는 단계; 서브 샘플링된 자기 공명 신호로부터 제1 병렬 영상 기법을 이용하여 제1 k-space 데이터를 획득하는 단계; 제1 k-space 데이터로부터 역 퓨리에 연산을 이용하여 제1 자기 공명 영상을 획득하는 단계; 제1 자기 공명 영상을 전처리하여 제1 입력 영상 데이터를 생성하는 단계; 및 제1 입력 영상 데이터로부터 제1 인공 신경망 모델을 이용하여 제1 출력 자기 공명 영상을 획득하는 단계를 포함하는, 자기 공명 영상 처리 방법을 제공하고자 한다.
본 실시예에 있어서, 서브 샘플링된 자기 공명 신호가 복수개인 경우 제1 k-space 데이터 및 제1 자기 공명 영상은 각각 복수개로 획득되고, 제1 자기 공명 영상을 전처리하여 제1 입력 영상 데이터를 생성하는 단계는, 복수개의 제1 자기 공명 영상을 컴바인(combine)하여 단일의 제2 자기 공명 영상을 획득하는 단계; 및 제2 자기 공명 영상을 전처리하여 제1 입력 영상 데이터를 생성하는 단계를 포함하는, 자기 공명 영상 처리 방법을 제공할 수 있다.
본 실시예에 있어서, 복수개의 제1 자기 공명 영상을 컴바인하여 단일의 제2 자기 공명 영상을 획득하는 단계는 아래의 [수학식1]을 이용하여 수행되는 것인, 자기 공명 영상 처리 방법을 제공할 수 있다.
[수학식1]
= i번째 제1 자기 공명 영상
= i번째 코일의 감도 행렬
= 복소수 값 정보에 따른 제2 자기 공명 영상
= 실수 값 정보에 따른 제2 자기 공명 영상
본 실시예에 있어서, 복수개의 제1 자기 공명 영상을 컴바인하여 단일의 제2 자기 공명 영상을 획득하는 단계는 아래의 [수학식2]를 이용하여 수행되는 것인, 자기 공명 영상 처리 방법을 제공할 수 있다.
[수학식2]
= 복소수 값 정보에 따른 제2 자기 공명 영상
= i번째 코일의 감도 행렬의 켤레 전치 행렬(Conjugate transposed metrix)
= i번째 제1 자기 공명 영상
본 실시예에 있어서, 제1 자기 공명 영상은 타겟 이미지와 위상 인코딩 방향으로 엘리어싱된 이미지를 포함하고, 제1 자기 공명 영상을 전처리하여 제1 입력 영상 데이터를 생성하는 단계는, 엘리어싱된 이미지가 타겟 이미지에 매칭되도록 제1 자기 공명 영상을 쉬프트(shift)하여 쉬프트된 제1 자기 공명 영상을 획득하는 단계; 및 제1 자기 공명 영상과 쉬프트된 제1 자기 공명 영상을 위상 인코딩 방향 및 리드아웃 방향에 각각 수직하는 제1방향을 따라 스택(stack)하고 그룹화(grouping)하여 제1 입력 영상 데이터를 생성하는 단계를 포함하는, 자기 공명 영상 처리 방법을 제공할 수 있다.
본 실시예에 있어서, 제2 자기 공명 영상은 타겟 이미지와 위상 인코딩 방향으로 엘리어싱된 이미지를 포함하고, 제2 자기 공명 영상을 전처리하여 제1 입력 영상 데이터를 생성하는 단계는, 엘리어싱된 이미지가 타겟 이미지에 매칭되도록 제2 자기 공명 영상을 쉬프트하여 쉬프트된 제2 자기 공명 영상을 획득하는 단계; 및 제2 자기 공명 영상과 쉬프트된 제2 자기 공명 영상을 위상 인코딩 방향 및 리드아웃 방향에 수직하는 제1방향을 따라 스택하고 그룹화하여 제1 입력 영상 데이터를 생성하는 단계를 포함하는, 자기 공명 영상 처리 방법을 제공할 수 있다.
본 실시예에 있어서, 제1 인공 신경망 모델은 제1 자기 공명 영상을 기초로 생성된 노이즈 패턴 영상이 입력되는 것인, 자기 공명 영상 처리 방법을 제공할 수 있다.
본 실시예에 있어서, 제1 인공 신경망 모델은 컨트랙팅 패쓰(Contracting path)와 익스팬딩 패쓰(Expanding path)를 포함하는 인공 신경망 구조를 가지고, 컨트랙팅 패쓰(Contracting path)는 복수개의 컨볼루션(Convolution) 레이어와 풀링(Pooling) 레이어를 포함하여 구성된 것이고, 익스팬딩 패쓰(Expanding path)는 복수개의 컨볼루션 레이어와 언풀링(Unpooling) 레이어를 포함하여 구성된 것이며, 노이즈 패턴 영상은 익스팬딩 패쓰(Expanding path)의 복수개의 컨볼루션 레이어 및 언풀링 레이어 중 적어도 어느 하나에 입력되는 것인, 자기 공명 영상 처리 방법을 제공할 수 있다.
본 발명의 확장된 실시예에 있어서, 제1 출력 자기 공명 영상으로부터 퓨리에 연산을 이용하여 제2 k-space 데이터를 획득하는 단계를 포함하고, 제1 출력 자기 공명 영상을 디컴바인(decombine)하여 복수개의 제2 출력 자기 공명 영상을 획득하는 단계; 및 제2 출력 자기 공명 영상으로부터 퓨리에 연산을 이용하여 제2 k-space 데이터를 획득하는 단계를 포함하는, 자기 공명 영상 처리 방법을 제공할 수 있다.
본 실시예에 있어서, 제1 출력 자기 공명 영상을 디컴바인(decombine)하여 복수개의 제2 출력 자기 공명 영상을 획득하는 단계는 아래의 [수학식3] 또는 [수학식4]를 이용하여 수행되는 것인, 자기 공명 영상 처리 방법을 제공할 수 있다.
[수학식3]
= i번째 제2 출력 자기 공명 영상
= i번째 코일의 감도 행렬
= 복소수 값 정보에 따른 제1 출력 자기 공명 영상
[수학식4]
= i번째 제2 출력 자기 공명 영상
= i번째 코일의 감도 행렬
= 실수 값 정보에 따른 제1 출력 자기 공명 영상
= 제1 출력 자기 공명 영상의 위상 정보
본 실시예에 있어서, 제2 k-space 데이터로부터 제2 병렬 연산 기법을 이용하여 제3 k-space 데이터를 획득하는 단계를 포함하는, 자기 공명 영상 처리 방법을 제공할 수 있다.
본 실시예에 있어서, 제3 k-space 데이터로부터 역 퓨리에 연산을 이용하여 제3 자기 공명 영상을 획득하는 단계; 및 제3 자기 공명 영상을 전처리하여 제2 입력 영상 데이터를 생성하는 단계; 및 제2 입력 영상 데이터로부터 제2 인공 신경망 모델을 이용하여 제2 출력 자기 공명 영상을 획득하는 단계를 포함하는, 자기 공명 영상 처리 방법을 제공할 수 있다.
본 발명의 일 실시예에 따른 자기 공명 영상 처리 방법을 실행하기 위한 자기 공명 영상 처리 장치에 있어서, 자기 공명 영상 처리 프로그램이 저장된 메모리; 및 프로그램을 실행하는 프로세서를 포함하고, 프로세서는 프로그램의 실행에 따라, 서브 샘플링된 자기 공명 신호를 획득하고, 서브 샘플링된 자기 공명 신호로부터 제1 병렬 영상 기법을 이용하여 제1 k-space 데이터를 획득하고, 제1 k-space 데이터로부터 역 퓨리에 연산을 이용하여 제1 자기 공명 영상을 획득하고, 제1 자기 공명 영상을 전처리하여 제1 입력 영상 데이터를 생성하고, 제1 입력 영상 데이터로부터 제1 인공 신경망 모델을 이용하여 제1 출력 자기 공명 영상을 획득하는, 자기 공명 영상 처리 장치를 제공하고자 한다.
본 발명에 따른 자기 공명 영상 처리 장치 및 그 방법은 자기 공명 영상 촬영 시간을 단축시켜도 양질의 복원 영상을 획득할 수 있는 자기 공명 영상 처리 장치 및 그 방법을 제공하여 환자의 병변 부위 진단을 용이하게 할 수 있다.
또한, 본 발명의 실시예들에 따른 자기 공명 영상 처리 장치 및 그 방법은 복수개의 자기 공명 영상을 획득하고, 이를 전처리하여 입력 데이터를 생성하며, 제1 인공 신경망 모델 및 제2 인공 신경망 모델을 활용하여 복원된 정확도 높은 출력 자기 공명 영상을 제공하는 것으로서 환자의 병변부위 진단을 용이하게 하는 효과가 있다.
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 방법의 순서를 보여주는 순서도이다.
도 3은 본 발명의 일 실시예에 따른 자기 공명 영상 처리 방법을 보여주는 개략도이다.
도 4는 본 발명의 일 실시예에 따른 풀 샘플링과 서브 샘플링의 차이점을 설명하기 위한 개략도이다.
도 5는 본 발명의 일 실시예에 따른 병렬 영상 기법인 그라파(GRAPPA)와 스피릿(SPIRiT)의 차이점을 설명하기 위한 개략도이다.
도 6은 본 발명의 일 실시예에 따른 제1 자기 공명 영상을 전처리하는 방법의 순서를 보여주는 순서도이다.
도 7은 본 발명의 일 실시예에 따른 제1 자기 공명 영상을 전처리하는 방법을 보여주는 개략도이다.
도 8은 본 발명의 변형된 실시예에 따른, 제1 자기 공명 영상을 전처리하여 제1 입력 영상 데이터를 생성하는 방법의 순서를 보여주는 순서도이다.
도 9는 본 발명의 일 실시예에 따른 제1 인공 신경망 모델을 이용하여 제1 입력 영상 데이터로부터 제1 출력 자기 공명 영상을 획득하는 단계를 보여주는 개략도이다.
도 10은 본 발명의 일 실시예에 따른 제1 인공 신경망 모델의 구조를 보여주는 개략도이다.
도 11은 본 발명의 일 실시예에 따른 인공 신경망 모델에 학습 데이터로 적용되는 노이즈 패턴 영상을 설명하기 위한 도면이다.
도 12는 본 발명의 일 실시예에 따른 인공 신경망 모델에 노이즈 패턴 영상을 학습 데이터로 적용하여 환영(hallucination)을 완화시킨 효과를 보여주는 도면이다.
도 13은 본 발명의 일 실시예에 따른 자기 공명 영상 처리 방법을 포함하는 확장된 실시예에 따른 자기 공명 영상 처리 방법의 순서를 보여주는 순서도이다.
도 14는 본 발명의 본 발명의 확장된 실시예에 따른 자기 공명 영상 처리 방법을 보여주는 개략도이다.
도 15는 본 발명의 확장된 실시예에 따른 제2 출력 자기 공명 영상 획득 단계 및 제2 k-space 데이터 획득 단계를 보여주는 순서도이다.
도 16은 본 발명의 일 실험예에 따른 4배 가속화된 복원 영상을 비교예와 함께 보여주는 도면이다.
도 17은 본 발명의 다른 실험예에 따른 6배 가속화된 복원 영상을 비교예와 함께 보여주는 도면이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위한 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 명세서가 실시예들의 모든 요소들을 설명하는 것은 아니며, 본 발명이 속하는 기술분야에서 일반적인 내용 또는 실시예들 간에 중복되는 내용은 생략한다. 명세서에서 사용되는 ‘부’(part, portion)라는 용어는 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예들에 따라 복수의 ‘부’가 하나의 요소(unit, element)로 구현되거나, 하나의 ‘부’가 복수의 요소들을 포함하는 것도 가능하다.
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.
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 자기 공명 영상 처리 장치(100)에 대하여 설명하기로 한다.
본 발명의 일 실시예에 따른 자기 공명 영상 처리 장치(100)는 전술한 MRI 시스템에 직/간접적으로 적용되어 자기 공명 신호로부터 자기 공명 영상을 획득하는 것을 가속화하는 자기 공명 영상 처리 장치(100)에 관한 것이다.
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, 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.
도 1은 본 발명의 일 실시예에 따른 자기 공명 영상 처리 장치(100)의 구성을 보여주는 구성도이다.
도 1을 참조하면, 자기 공명 영상 처리 장치(100)는 통신 모듈(110), 메모리(120), 프로세서(130), 데이터베이스(DB: 140)를 포함할 수 있다.
통신 모듈(110)은 통신망과 연동하여 자기 공명 영상 처리 장치(100)에 통신 인터페이스를 제공하는데, MRI 촬영 장치, 사용자 단말 및 관리 서버와 데이터를 송수신하는 역할을 수행할 수 있다. 여기서, 통신 모듈은 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다.
메모리(120)는 자기 공명 영상 처리 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.
프로세서(130)는 자기 공명 영상 처리 장치(100)에서 자기 공명 영상 처리 프로그램이 수행하는 전체 과정을 제어할 수 있다. 프로세서(130)가 수행하는 과정의 각 단계에 대해서는 도 2 내지 도 15를 참조하여 후술하기로 한다.
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(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 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, 데이터베이스에는 후술할 인공 신경망의 학습 데이터, 자기 공명 신호 데이터, k-space 데이터 및 자기 공명 영상 데이터 등이 저장된 것일 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 장치인 것도 가능하다.
또한, 네트워크는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷 (WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다. 무선 데이터 통신망의 일례에는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 블루투스 통신, 적외선 통신, 초음파 통신, 가시광 통신(VLC: Visible Light Communication), 라이파이(LiFi) 등이 포함되나 이에 한정되지는 않는다.
이하에서는, 본 발명의 일 실시예에 따른 자기 공명 영상 처리 장치(100)에 의해 수행되는 자기 공명 영상 처리 방법에 대하여 상세히 설명하기로 한다. 도 2는 본 발명의 일 실시예에 따른 자기 공명 영상 처리 방법의 순서를 보여주는 순서도이다. 도 3은 본 발명의 일 실시예에 따른 자기 공명 영상 처리 방법을 보여주는 개략도이다.
도 2 및 도 3을 참조하면 본 발명의 일 실시예에 따른 자기 공명 영상 처리 장치(100)에 의해 수행되는 자기 공명 영상 처리 방법에 있어서, 먼저 서브 샘플링된 자기 공명 신호(310)를 획득하는 단계(S210)가 수행될 수 있다.
도 4는 본 발명의 일 실시예에 따른 풀 샘플링과 서브 샘플링의 차이점을 설명하기 위한 개략도이다.
도 4를 참조하면, 서브 샘플링된 자기 공명 신호(310)는 나이키스트 샘플링 레이트보다 낮은 샘플링 레이트로 샘플링된 자기 공명 신호(310)일 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 적게하는 것을 의미할 수 있다.
한편, 자기 공명 영상 처리 장치(100)는 MRI 시스템에 포함되어, RF 코일로부터 수신한 자기 공명 신호에 기초하여, 서브 샘플링된 자기 공명 신호(310)에 대응되는 입력 데이터를 획득할 수 있다. 또한, 자기 공명 영상 처리 장치(100)는 외부의 자기 공명 영상 촬영 장치, 외부 서버 및 데이터 베이스 중 적어도 어느 하나로부터 서브 샘플링된 자기 공명 신호(310)에 대응되는 입력 데이터를 획득할 수도 있다.
다시 도 2 및 도 3을 참조하면 단계(S210) 다음으로, 서브 샘플링된 자기 공명 신호(310)로부터 제1 병렬 영상 기법을 이용하여 제1 k-space 데이터(320)를 획득하는 단계(S220)가 수행될 수 있다.
여기서, 병렬 영상 기법은 서브 샘플링된 자기 공명 신호(310) 및/또는 k-space 데이터로부터 풀 샘플링된 k-space 데이터 및/또는 자기 공명 영상과 같이 정확도 높은 k-space 데이터 및/또는 자기 공명 영상을 획득하기 위한 일종의 영상 복원 기법이다.
병렬 영상 기법에 따른 영상 복원의 수행에 있어, 공지 기술인 SPACE RIP(Sensitivity Profiles From an Array of Coils for Encoding and Reconstruction in Parallel), SMASH(Simultaneous acquisition of spatial harmonics), PILS(Partially Parallel Imaging With Localized Sensitivitie), GRAPPA(Generalized Autocalibrating Partially Parallel Acquisitions) SPIRiT(iterative Self-consistent Parallel Imaging Reconstruction)등의 병렬 영상 기법에 적용될 수 있는 것이라면 제한 없이 적용이 가능하다.
도 5는 본 발명의 일 실시예에 따른 병렬 영상 기법인 그라파(GRAPPA)와 스피릿(SPIRiT)의 차이점을 설명하기 위한 개략도이다.
도 4 및 도 5를 참조하면, 제1 병렬 영상 기법으로는 서브 샘플링된 자기 공명 신호(310)를 입력 데이터로 하여 풀 샘플링된 k-space 영상 데이터를 출력으로 하는 그라파(GRAPPA)를 적용하여 영상 복원을 수행하는 것이 바람직할 것이다.
즉, 제1 병렬 영상 기법은 그라파 기법일 수 있다. 그라파는 서브 샘플링된 자기 공명 신호(310) 데이터를 풀 샘플링된 k-space의 데이터와 유사한 정확도 높은 k-space 데이터로 보정할 수 있다. 다시 말하면, 풀 샘플링된 영상 데이터의 라인(line) 수가 n개이고 서브 샘플링된 영상 데이터의 라인(line) 수가 n/2개일 때, 그라파는 서브 샘플링된 영상 데이터의 n/2개의 라인으로부터 샘플링 되지 않았던 나머지 n/2개의 라인을 추측하여 생성할 수 있다.
예를 들어, RF 코일 하나의 채널에서 획득된 서브 샘플링된 자기 공명 신호(310)에서 제 1라인과 제 3라인 및 제 4라인은 샘플링 되었지만, 제 2라인은 샘플링되지 않은 경우, 제 2 라인에 가장 가까운 라인 즉 제 1라인과 제 3라인을 선형 조합하여 제 2라인을 추측할 수 있다. 이와 같이 그라파는 이웃하는 라인의 선형 조합으로부터 샘플링 되지 않았던 나머지 라인들을 추측하여, 풀 샘플링된 영상 데이터와 유사하게 보정할 수 있다. 즉, 각 채널별로 정확도 높은 k-space 형태의 영상 데이터를 생성할 수 있다.
이러한 그라파와 다르게 스피릿은 추측하려는 픽셀을 포함하는 라인의 인접한 픽셀 데이터와, 해당 라인과 이웃한 샘플링된 라인들의 데이터를 서로 선형 조합하여 샘플링되지 않은 픽셀의 데이터를 추측할 수 있다.
단계(S220) 다음으로, 제1 k-space 데이터(320)로부터 역 퓨리에(IFFT) 연산을 이용하여 제1 자기 공명 영상을 획득하는 단계(S230)가 수행될 수 있다.
그라파는 완전한 k-스페이스 형태의 영상 데이터를 역 퓨리에 변환하여 복원 영상인 제1 자기 공명 영상을 생성할 수 있다. 여기서 제1 자기 공명 영상은 타겟 이미지와 위상 인코딩 방향(Ky)으로 엘리어싱된 이미지를 포함할 수 있다.
도 4 및 도 5를 참조하면, 위상 인코딩 방향(Ky)이란 자기 공명 신호(310)를 샘플링하는 과정에서 샘플링된 라인이 스택(stack)되는 방향과 평행하게 연장된 방향일 수 있다. 그리고 리드아웃 방향(Kx)이란 샘플링된 라인이 연장된 방향일 수 있다. 한편 Kz방향은 코일의 축방향이거나 후술할 위상 인코딩 방향(Ky) 및 리드아웃 방향(Kx)과 각각 직교하는 제1방향(Kz)으로 명명될 수 있다.
한편, 서브 샘플링된 자기 공명 신호(310)가 복수개인 경우 제1 k-space 데이터(320) 및 제1 자기 공명 영상은 각각 복수개로 획득될 수 있다. 즉, 자기 공명 신호(310)를 수신하는 RF 코일이 복수개인 경우 각각의 채널별로 수신되는 복수개의 자기 공명 신호(310)에 대응하여 생성된 복수개의 복원 영상이 제 1 자기 공명 영상이 되는 것이다.
단계(S230) 다음으로, 제1 자기 공명 영상을 전처리하여 제1 입력 영상 데이터(340)를 생성하는 단계(S240)가 수행될 수 있다.
도 6은 본 발명의 일 실시예에 따른 제1 자기 공명 영상을 전처리하는 방법의 순서를 보여주는 순서도이다. 도 7은 본 발명의 일 실시예에 따른 제1 자기 공명 영상을 전처리하는 방법을 보여주는 개략도이다.
도 6 및 도 7을 참조하면, 제1 자기 공명 영상(720)을 전처리하여 제1 입력 영상 데이터(740)를 생성하는 단계(S240)는, 엘리어싱된 이미지(A1, A2)가 타겟 이미지(T)에 매칭되도록 제1 자기 공명 영상(720)을 쉬프트(shift)하여 쉬프트된 제1 자기 공명 영상(710, 730)을 획득하는 단계(S241)를 포함할 수 있다.
도 7의 (a)를 참조하면 예를 들어, 제1 자기 공명 영상(720)은 대상체(뇌)의 타겟 이미지(T)와 엘리어싱된 이미지(A1, A2)를 포함할 수 있다. 여기서 제1 자기 공명 영상(720)을 위상 인코딩 방향(Ky)을 따라 좌/우로 이동시키면 쉬프트된 제1 자기 공명 영상들(710, 730)을 얻을 수 있다.
여기서, 제1 자기 공명 영상(720)을 쉬프트하는 것은 엘리어싱된 이미지(A1, A2)가 타겟 이미지(T)에 매칭될 정도로 이동하는 것으로서 수행될 수 있다. 예를 들어, 왼쪽으로 쉬프트된 제1 자기 공명 영상(710)에 포함된 대상체의 엘리어싱된 이미지(A2)가 위상 인코딩 방향(Ky) 및 리드아웃 방향(Kx)이 형성하는 평면을 기준으로 원본의 제1 자기 공명 영상(720)에 포함된 대상체의 타겟 이미지(T)의 위치와 동일한 위치에 배치되도록 쉬프트될 수 있다. 또한, 오른쪽으로 쉬프트된 제1 자기 공명 영상(730)에 포함된 대상체의 엘리어싱된 이미지(A1)가 위상 인코딩 방향(Ky) 및 리드아웃 방향(Kx)이 형성하는 평면을 기준으로 원본의 제1 자기 공명 영상(720)에 포함된 대상체의 타겟 이미지(T)의 위치와 동일한 위치에 배치되도록 쉬프트될 수 있다.
그리고 도 7의 (b)를 참조하면, 제1 자기 공명 영상(720)을 전처리하여 제1 입력 영상 데이터(740)를 생성하는 단계(S240)는, 제1 자기 공명 영상(720)과 쉬프트된 제1 자기 공명 영상(710, 730)을 위상 인코딩 방향(Ky) 및 리드아웃 방향(Kx)에 각각 수직하는 제1방향(Kz)을 따라 스택(stack)하고 그룹화(grouping)하여 제1 입력 영상 데이터(740)를 생성하는 단계(S242)를 포함할 수 있다.
여기서, 제1방향(Kz)은 도 7의 (b)에서 Kz방향과 나란한 방향이다. 위상 인코딩 방향(Ky)은 Ky 방향과 나란한 방향이고, 리드아웃 방향(Kx)은 Kx방향과 나란한 방향이다. 그리고, 스택된 제1 자기 공명 영상(720)과 복수개의 쉬프트된 제1 자기 공명 영상들(710, 730)은 하나의 그룹으로 묶여서 후술할 제1 인공 신경망 모델(500)에 입력되는 제1 입력 영상 데이터(740)로 생성될 수 있다.
도 8은 본 발명의 변형된 실시예에 따른, 제1 자기 공명 영상을 전처리하여 제1 입력 영상 데이터(340)를 생성하는 방법의 순서를 보여주는 순서도이다.
도 8을 참조하면 본 발명의 변형된 실시예로서, 제1 자기 공명 영상을 전처리하여 제1 입력 영상 데이터(340)를 생성하는 단계(S240')는, 복수개의 제1 자기 공명 영상을 컴바인(combine)하여 단일의 제2 자기 공명 영상(330)을 획득하는 단계(S241')를 포함할 수 있다. 복수개의 제1 자기 공명 영상은 복수개의 RF 코일 채널들에 의해 각각 수신되는 자기 공명 신호(310)로부터 생성될 수 있다. 컴바인은 다중 코일로 수신한 복수개의 제1 자기 공명 영상을 입력으로 하여 단일의 제2 자기 공명 영상(330)을 출력하는 과정이다.
구체적으로, 복수개의 제1 자기 공명 영상을 컴바인(combine)하여 단일의 제2 자기 공명 영상(330)을 획득하는 단계(S241')는 아래의 [수학식1]을 이용하여 수행되는 것일 수 있다.
[수학식1]
= i번째 제1 자기 공명 영상
= i번째 코일의 감도 행렬
= 복소수 값 정보에 따른 제2 자기 공명 영상
= 실수 값 정보에 따른 제2 자기 공명 영상
여기서, 제2 자기 공명 영상(330)은 제1 자기 공명 영상 정보와 RF 코일의 감도 정보를 기초로 하여 획득될 수 있다. 제1 자기 공명 영상 정보는 제2 자기 공명 영상 정보에 각 코일의 감도 정보가 가중치로서 곱해진 것일 수 있다. 한편, 제2 자기 공명 영상(330)을 획득하기 위한 방법으로는 제1 자기 공명 영상에 각 해당 코일의 감도 정보를 나누어 획득하는 방법이 있지만, 이는 노이즈 증폭의 문제가 생길 수 있다. 따라서, 노이즈 증폭을 방지하고 계산의 간소화 및 가속화를 위해 실수 값 정보에 따른 제2 자기 공명 영상(330)을 획득하는 것이 용이할 수 있다. 실수 값 정보에 따른 제2 자기 공명 영상(330) 획득이 가능하기 위해선 각각의 코일 감도 행렬의 크기의 합이 1을 만족해야 할 것이다.
다른 한편으로, 복수개의 제1 자기 공명 영상을 컴바인하여 단일의 제2 자기 공명 영상(330)을 획득하는 단계(S241')는 아래의 [수학식2]를 이용하여 수행되는 것일 수 있다.
[수학식2]
= 복소수 값 정보에 따른 제2 자기 공명 영상
= i번째 코일의 감도 행렬의 켤레 전치 행렬(Conjugate transposed metrix)
= i번째 제1 자기 공명 영상
[수학식2]는 복소수 값 정보를 기초로 하여 제2 자기 공명 영상(330)을 획득하기 위해 사용될 수 있다. 이 경우, 제2 자기 공명 영상(330)을 획득하는 데에 [수학식1]을 적용하는 것보다 연산이 복잡해질 수 있지만, 더 정확한 제2 자기 공명 영상(330)을 획득할 수 있는 장점이 있다.
그리고, 제1 자기 공명 영상을 전처리하여 제1 입력 영상 데이터(340)를 생성하는 단계(S240')는 상기의 [수학식1] 또는 [수학식2]를 이용하여 컴바인된 제2 자기 공명 영상(330)을 전처리하여 제1 입력 영상 데이터(340)를 생성하는 단계(S242')를 포함할 수 있다.
복수개의 제1 자기 공명 영상이 컴바인된 제2 자기 공명 영상(330)은 타겟 이미지와 위상 인코딩 방향(Ky)으로 엘리어싱된 이미지를 포함할 수 있다. 그리고, 제2 자기 공명 영상(330)을 전처리하여 제1 입력 영상 데이터(340)를 생성하는 단계(S242')는 전술한 제1 자기 공명 영상을 전처리하여 제1 입력 영상 데이터(340)를 생성하는 단계(S240)와 동일한 과정이 수행될 수 있다.
즉, 제2 자기 공명 영상(330)을 전처리하여 제1 입력 영상 데이터(340)를 생성하는 단계(S242')는 엘리어싱된 이미지가 타겟 이미지에 매칭되도록 제2 자기 공명 영상(330)을 쉬프트하여 쉬프트된 제2 자기 공명 영상(330)을 획득하는 단계(미도시)와 제2 자기 공명 영상(330)과 쉬프트된 제2 자기 공명 영상(330)을 위상 인코딩 방향(Ky) 및 리드아웃 방향(Kx)에 수직하는 제1방향(Kz)을 따라 스택하고 그룹화하여 제1 입력 영상 데이터(340)를 생성하는 단계(미도시)를 포함하여 수행될 수 있다.
정리하면, 복수개의 제1 자기 공명 영상을 컴바인하여 제2 자기 공명 영상(330)을 획득하고, 이로부터 제1 입력 영상 데이터(340)를 생성하는 과정을 통해 더 많은 양의 자기 공명 신호(310) 데이터를 기초로 정확도 높은 제1 입력 영상 데이터(340)를 생성하여, 후술할 인공 신경망에 입력할 수 있다.
단계(S240) 다음으로, 제1 입력 영상 데이터(340)로부터 제1 인공 신경망 모델(500)을 이용하여 제1 출력 자기 공명 영상(350)을 획득하는 단계(S250)가 수행될 수 있다.
도 9는 본 발명의 일 실시예에 따른 제1 인공 신경망 모델(500)을 이용하여 제1 입력 영상 데이터(340)로부터 제1 출력 자기 공명 영상(350)을 획득하는 단계를 보여주는 개략도이다.
도 9를 참조하면, 제1 인공 신경망 모델(500)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. 제1 인공 신경망 모델(500)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)과 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.
예를 들어, 제1 인공 신경망 모델(500)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(500)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(NP) 데이터 중 적어도 어느 하나가 이용될 수 있다.
도 10은 본 발명의 일 실시예에 따른 제1 인공 신경망 모델(500)의 구조를 보여주는 개략도이다.
도 10을 참조하면, 바람직하게 제1 인경 신경망 모델은 컨트랙팅 패쓰(Contracting path; 510)와 익스팬딩 패쓰(Expanding path; 520)를 포함하는 유넷(U-net) 구조를 가질 수 있다.
컨트랙팅 패쓰(510)는 복수개의 컨볼루션(Convolution; Conv) 레이어와 풀링(Pooling) 레이어를 포함하여 구성된 것일 수 있다. 예를 들어, 컨트랙팅 패쓰(510)는 복수개의 3x3 컨볼루션 레이어를 입력층으로 하고, 웨이브릿 변환(Wavelet Transform)을 적용한 풀링 레이어의 조합을 복수개로 포함하여 구성될 수 있다.
그리고, 익스팬딩 패쓰(520)는 복수개의 컨볼루션 레이어와 언풀링(Un-pooling) 레이어를 포함하여 구성된 것일 수 있다. 예를 들어, 익스팬딩 패쓰(520)는 복수개의 3x3 컨볼루션 레이어와 웨이브릿 역변환(Inverse Wavelet Transform)을 적용한 언풀링 레이어의 조합을 복수개로 포함하고, 출력층으로 1x1 컨볼루션 레이어를 더 포함하여 구성될 수 있다. 한편, 익스팬딩 패쓰(520)의 각 부분에는 후술할 노이즈 패턴 영상(NP)이 입력되어 제1 인공 신경망이 학습될 수 있다.
도 11은 본 발명의 일 실시예에 따른 인공 신경망 모델에 학습 데이터로 적용되는 노이즈 패턴 영상(NP)을 설명하기 위한 도면이다. 도 12는 본 발명의 일 실시예에 따른 인공 신경망 모델에 노이즈 패턴 영상(NP)을 학습 데이터로 적용함에 따른 환영(hallucination) 완화 효과를 설명하기 위한 도면이다.
도 11을 참조하면, 노이즈 패턴 영상(NP)은 복원된 영상에서 대상체의 각 부분에 따라 노이즈의 발생 정도를 기초로 가중치를 적용하여 구분 표시한 영상일 수 있다. 일 예로 노이즈 패턴 영상(NP)은 서브 샘플링된 자기 공명 영상에 일반적인 인공 신경망 모델을 적용하여 복원된 영상을 풀 샘플링된 자기 공명 영상과 비교하여 감지된 노이즈에 따라 생성된 패턴 영상일 수 있다.
구체적으로 도 11의 (a)를 참조하면, 서브 샘플링된 자기 공명 영상(1110)을 인공 신경망 모델의 입력으로 하여 출력된 복원 영상(1120)과 풀 샘플링된 자기 공명 영상을 대비한 대비 영상(1130)을 보면, 영상의 중앙부분에 세워진 타원 형태로 노이즈가 다량 발생한 부분(Poor-conditiond; PC)을 확인할 수 있다. 또한, 영상의 외측으로 가면 비교적 노이즈가 적게 발생한 부분(Good-conditioned; GC)을 확인할 수 있다. 이러한 대상체의 부분별로 노이즈의 생성 격차를 기초로 생성된 것이 노이즈 패턴 영상(NP)이다.
도 11의 (b)를 참조하면, 서브 샘플링된 자기 공명 영상(1140)과 노이즈 패턴 영상(NP)을 인공 신경망 모델의 입력으로 하여 출력된 복원 영상(1150)과 풀 샘플링된 자기 공명 영상을 대비한 대비 영상(1160)을 보면, 영상의 전체에 걸쳐 노이즈가 줄어든 것을 확인할 수 있다.
또한, 도 12를 참조하면, 왼쪽부터 차례대로 풀 샘플링된 자기 공명 영상(1210), 서브 샘플링된 자기 공명 영상(1220), 서브 샘플링된 자기 공명 영상(1220)을 입력으로 하는 인공 신경망 모델을 이용하여 출력된 복원 영상(1230), 서브 샘플링된 자기 공명 영상(1220) 및 노이즈 패턴 영상(NP)을 입력으로 하는 인공 신경망 모델을 이용하여 출력된 복원 영상(1240)을 확인할 수 있다.
각각의 영상 하단에서는 대상체 이미지의 일부분을 확대한 것을 볼 수 있다. 여기서, 서브 샘플링된 자기 공명 영상(1220)의 확대 부분(h2)에는 엘리어싱된 이미지가 타겟 이미지에 겹쳐지면서 풀 샘플링된 자기 공명 영상의 확대 부분(h1)과 차이가 발생한 것을 볼 수 있다. 이러한 현상을 환영(hallucination) 현상이라고 하고, 복원 영상의 확대 부분(h3)에서도 서브 샘플링된 자기 공명 영상의 영향으로 이미지가 달라진 것을 확인할 수 있다. 이와 대비하여 노이즈 패턴 영상(NP)을 활용한 복원 영상(1240)의 확대 부분(h4)에서는 풀 샘플링된 자기 공명 영상(1210)의 확대 부분(h1)과 유사하게 환영 현상이 완화된 것을 확인할 수 있다.
이러한 노이즈 패턴 영상(NP)의 적용 효과를 참조하여, 바람직한 실시예로서 제1 인공 신경망 모델(500)은 제1 자기 공명 영상을 기초로 생성된 노이즈 패턴 영상(NP)이 입력된 것일 수 있다. 즉, 제1 인공 신경망 모델(500)은 제1 입력 영상 데이터(340)와 노이즈 패턴 영상(NP)을 입력 데이터로 하여 제1 출력 자기 공명 영상(350)을 출력하는 과정을 수행할 수 있다.
예를 들어, 노이즈 패턴 영상(NP)은 제1 인공 신경망 모델(500)의 익스팬딩 패쓰(520)의 복수개의 컨볼루션 레이어 및 언풀링 레이어 중 적어도 어느 하나에 입력될 수 있다. 구체적으로, 노이즈 패턴 영상(NP)은 익스팬딩 패쓰(520)의 출력층인 컨볼루션 레이어에 입력되고, 언풀링 레이어 각각의 이미지 크기에 맞추어 풀링되어 입력될 수 있다.
일 실시예에서, 자기 공명 영상 처리 장치(100)는 전술한 제1 인공 신경망 모델(500)을 자체적으로 구축할 수 있다. 다른 일 실시예에서, 자기 공명 영상 처리 장치(100)는 외부 서버 또는 외부 디바이스에서 구축된 제1 인공 신경망 모델(500)을 외부 서버 또는 외부 디바이스로부터 획득할 수도 있다. 그리고, 자기 공명 영상 처리 장치(100)는 뉴럴 네트워크를 이용한 제1 인공 신경망 모델(500)에 기초하여, 서브 샘플링된 자기 공명 영상에 대한 복원 영상인 제1 출력 자기 공명 영상(350)을 획득함으로써 영상 획득 속도 가속화 및 영상 품질의 향상 목적을 달성할 수 있다.
여기서 획득된 제1 출력 자기 공명 영상(350)은 사용자 단말에 제공되어 환자의 병변부위 진단에 활용될 수 있다. 한편, 제1 출력 자기 공명 영상(350)의 정확도를 높이기 위한 추가적인 자기 공명 영상 처리 단계가 수행될 수 있다.
도 13은 본 발명의 일 실시예에 따른 자기 공명 영상 처리 방법을 포함하는 확장된 실시예에 따른 자기 공명 영상 처리 방법의 순서를 보여주는 순서도이다. 도 14는 본 발명의 본 발명의 확장된 실시예에 따른 자기 공명 영상 처리 방법을 보여주는 개략도이다.
도 13 및 도 14를 참조하면 단계(S250) 다음으로, 제1 출력 자기 공명 영상(350)으로부터 퓨리에 연산을 이용하여 제2 k-space 데이터(360)를 획득하는 단계(S260)가 수행될 수 있다.
도 15는 본 발명의 확장된 실시예에 따른 제2 출력 자기 공명 영상 획득 단계 및 제2 k-space 데이터 획득 단계를 보여주는 순서도이다.
도 15를 참조하면, 제2 k-space 데이터(360)를 획득하는 단계(S260)는, 제1 출력 자기 공명 영상(350)을 디컴바인(decombine)하여 복수개의 제2 출력 자기 공명 영상(400)을 획득하는 단계(S261)를 포함할 수 있다.
구체적으로, 제1 출력 자기 공명 영상(350)을 디컴바인(decombine)하여 복수개의 제2 출력 자기 공명 영상(400)을 획득하는 단계는 아래의 [수학식3] 또는 [수학식4]를 이용하여 수행되는 것일 수 있다.
[수학식3]
= i번째 제2 출력 자기 공명 영상
= i번째 코일의 감도 행렬
= 복소수 값 정보에 따른 제1 출력 자기 공명 영상
[수학식3]은 제1 출력 자기 공명 영상(350)이 복소수 값 정보에 따라 획득된 경우에 적용될 수 있는 수학식이다.
[수학식4]
= i번째 제2 출력 자기 공명 영상
= i번째 코일의 감도 행렬
= 실수 값 정보에 따른 제1 출력 자기 공명 영상
= 제1 출력 자기 공명 영상의 위상 정보
[수학식4]는 제1 출력 자기 공명 영상(350)이 실수 값 정보에 따라 획득된 경우에 적용될 수 있는 수학식이다. 여기서 제1 출력 자기 공명 영상(350)의 위상 정보는 전술한 컴바인 과정에서 복소수 값의 위상 정보를 추출하는 것으로 획득될 수 있다. 이로써, 제1 출력 자기 공명 영상(350)은 각각의 RF 코일의 감도 정보를 기초로 디컴바인되어 복수개의 자기 공명 영상으로 생성될 수 있다.
그리고 제2 k-space 데이터(360)를 획득하는 단계(S260)는, 제1 출력 자기 공명 영상(350)으로부터 퓨리에 연산을 이용하여 제2 k-space 데이터(360)를 획득하는 단계(S262)를 포함할 수 있다. 이로써, 제1 출력 자기 공명 영상(350)으로부터 생성된 복수개의 자기 공명 영상에 퓨리에 변환을 적용하여 복수개의 제2 k-space 데이터(360)를 획득할 수 있다.
단계(S260) 다음으로, 제2 k-space 데이터(360)로부터 제2 병렬 연산 기법을 이용하여 제3 k-space 데이터(370)를 획득하는 단계(S270)가 수행될 수 있다.
여기서 제2 병렬 연산 기법은 풀 샘플링된 제2 k-space 데이터(360)로부터 보정된 풀 샘플링된 제3 k-space 데이터(370)를 획득할 수 있는 병렬 연산 기법일 수 있다. 바람직하게 제2 병렬 연산 기법으로는 전술한 스피릿(SPIRiT) 기법이 사용될 수 있다.
여기서, 제1 병렬 연산 기법으로 그라파가 사용되고, 제2 병렬 연산 기법으로 스피릿이 사용됨에 따라, 복원 영상을 획득하는 과정에서 보다 정확도 높은 복원 영상이 획득되는 효과가 있다.
단계(S270) 다음으로, 제3 k-space 데이터(370)로부터 역 퓨리에 연산을 이용하여 제3 자기 공명 영상을 획득하는 단계(S280)가 수행될 수 있다.
단계(S280) 다음으로, 제3 자기 공명 영상을 전처리하여 제2 입력 영상 데이터(390)를 생성하는 단계(S290)가 수행될 수 있다.
여기서 제3 자기 공명 영상을 전처리하여 제2 입력 영상 데이터(390)를 생성하는 방법은 전술한 제1 자기 공명 영상을 전처리하여 제1 입력 영상 데이터(340)를 생성하는 단계(S240)와 동일한 과정이 수행될 수 있다.
한편, 변형된 실시예에서 제3 자기 공명 영상을 전처리하여 제2 입력 영상 데이터(390)를 생성하는 단계(S290)는, 복수개의 제3 자기 공명 영상을 컴바인(combine)하여 단일의 제4 자기 공명 영상(380)을 획득하는 단계를 포함할 수 있다.
여기서 복수개의 제3 자기 공명 영상을 컴바인하여 단일의 제4 자기 공명 영상(380)을 획득하는 방법은 전술한 제1 자기 공명 영상을 컴바인하여 단일의 제2 자기 공명 영상(330)을 획득하는 방법과 동일한 방법이 사용될 수 있다.
그리고 제3 자기 공명 영상을 전처리하여 제2 입력 영상 데이터(390)를 생성하는 단계(S290)는, 제4 자기 공명 영상(380)을 전처리하여 제2 입력 영상 데이터(390)를 생성하는 단계를 포함할 수 있다.
여기서 제4 자기 공명 영상(380)을 전처리하여 제2 입력 영상 데이터(390)를 생성하는 방법은 전술한 제2 자기 공명 영상(330)을 전처리하여 제1 입력 영상 데이터(340)를 생성하는 방법과 동일한 방법이 사용될 수 있다.
단계(S290) 다음으로, 제2 입력 영상 데이터(390)로부터 제2 인공 신경망 모델(600)을 이용하여 제3 출력 자기 공명 영상을 획득하는 단계(S300)가 수행될 수 있다.
여기서 제2 인공 신경망 모델(600)은 전술한 제1 인공 신경망 모델(500)과 동일한 인공 신경망 모델이 사용될 수 있다. 또는 제1 입력 영상 데이터(340)를 추가로 학습한 제1 인공 신경망 모델(500)이 사용될 수도 있고, 제1 인공 신경망 모델(500)과 다른 인공 신경망 모델이 사용될 수도 있다.
단계(S300) 다음으로, 제2 출력 자기 공명 영상(400)을 다시 퓨리에 변환 및/또는 디컴바인하고 퓨리에 변환하여 제4 k-space 데이터(410)를 획득하고, 이를 기초로 단계(S260)에서 단계(S300)까지의 과정을 한 세트로 하여 반복 수행될 수 있다.
또한, 제2 출력 자기 공명 영상(400)은 사용자 단말에 제공되어 환자의 병변부위 진단 영상으로 사용될 수 있다.
이하에서는 본 발명의 일 실시예에 따른 자기 공명 영상 처리 장치(100) 및 그 방법에 따라 실시된 실험예에 대하여 설명하기로 한다.
도 16은 본 발명의 일 실험예에 따른 4배 가속화된 복원 영상을 비교예와 함께 보여주는 도면이다. 여기서 가속화 지수는 4이고, 서브 샘플링된 라인의 수가 풀 샘플링된 라인의 수의 1/4일 수 있다.
도 16을 참조하면, 왼쪽부터 차례대로 풀 샘플링된 자기 공명 영상(1610), 그라파 기법으로 복원된 자기 공명 영상(1620), CG-SENSE를 통해 복원된 자기 공명 영상(1630), 일반적인 인공 신경망 모델을 통해 복원된 자기 공명 영상(1640), 본 발명에 따른 자기 공명 영상 처리 장치(100)에 의해 복원된 자기 공명 영상(1650)을 확인할 수 있다. 그리고 각각의 영상 아래에 풀 샘플링된 자기 공명 영상(1610)과 대비하여 차이점이 이미징된 오류 영상을 4배 증폭한 영상을 확인할 수 있는데, 본 발명에 따른 자기 공명 영상 처리 장치(100)에 의해 복원된 자기 공명 영상(1650)의 오류가 가장 작은 것을 확인할 수 있다.
도 17은 본 발명의 다른 실험예에 따른 6배 가속화된 복원 영상을 비교예와 함께 보여주는 도면이다. 여기서 가속화 지수는 6이고, 서브 샘플링된 라인의 수가 풀 샘플링된 라인의 수의 1/6일 수 있다.
도 17을 참조하면, 왼쪽부터 차례대로 풀 샘플링된 자기 공명 영상(1710), 그라파 기법으로 복원된 자기 공명 영상(1720), CG-SENSE를 통해 복원된 자기 공명 영상(1730), 일반적인 인공 신경망 모델을 통해 복원된 자기 공명 영상(1740), 본 발명에 따른 자기 공명 영상 처리 장치(100)에 의해 복원된 자기 공명 영상(1750)을 확인할 수 있다. 그리고 각각의 영상 아래에 풀 샘플링된 자기 공명 영상(1710)과 대비하여 차이점이 분석된 오류 영상을 4배 증폭한 영상을 확인할 수 있는데, 본 발명에 따른 자기 공명 영상 처리 장치(100)에 의해 복원된 자기 공명 영상(1750)의 오류가 가장 작은 것을 확인할 수 있다.
이상으로 설명한 본 발명의 실시예들에 따른 자기 공명 영상 처리 장치(100) 및 그 방법은 자기 공명 영상 촬영 장치로 자기 공명 영상을 촬영하는 시간을 단축하여도, 영상 복원을 통해 정확도 높은 자기 공명 영상을 생성하는 효과가 있다.
또한, 본 발명의 실시예들에 따른 자기 공명 영상 처리 장치(100) 및 그 방법은 복수개의 자기 공명 영상을 획득하고, 이를 전처리하여 입력 데이터를 생성하며, 제1 인공 신경망 모델(500) 및 제2 인공 신경망 모델(600)을 활용하여 복원된 정확도 높은 출력 자기 공명 영상을 제공하는 것으로서 환자의 병변부위 진단을 용이하게 하는 효과가 있다.
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.
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: 자기 공명 영상 처리 장치
110: 통신 모듈
120: 메모리
130: 프로세서
140: 데이터베이스
310: 자기 공명 신호
320: 제1 k-space 데이터
330: 제2 자기 공명 영상
340: 제1 입력 영상 데이터
350: 제1 출력 자기 공명 영상
360: 제2 k-space 데이터
370: 제3 k-space 데이터
380: 제4 자기 공명 영상
390: 제2 입력 영상 데이터
400: 제2 출력 자기 공명 영상
410: 제4 k-space 데이터
500: 제1 인공 신경망 모델
600: 제2 인공 신경망 모델

Claims (9)

  1. 자기 공명 영상 처리 장치에 의한 자기 공명 영상 처리 방법에 있어서,
    제1 자기 공명 영상을 전처리하여 제1 입력 영상 데이터를 생성하는 단계; 및
    상기 제1 입력 영상 데이터로부터 제1 인공 신경망 모델을 이용하여 제1 출력 자기 공명 영상을 획득하는 단계를 포함하고,
    상기 제1 자기 공명 영상은 타겟 이미지와 위상 인코딩 방향으로 엘리어싱된 이미지를 포함하고,
    상기 제1 자기 공명 영상을 전처리하여 제1 입력 영상 데이터를 생성하는 단계는,
    상기 엘리어싱된 이미지가 상기 타겟 이미지에 매칭되도록 상기 제1 자기 공명 영상을 쉬프트(shift)하여 쉬프트된 제1 자기 공명 영상을 획득하는 단계; 및
    상기 제1 자기 공명 영상과 상기 쉬프트된 제1 자기 공명 영상을 상기 위상 인코딩 방향 및 리드아웃 방향에 각각 수직하는 제1방향을 따라 스택(stack)하고 그룹화(grouping)하여 제1 입력 영상 데이터를 생성하는 단계를 포함하는, 자기 공명 영상 처리 방법.
  2. 제1항에 있어서,
    서브 샘플링된 자기 공명 신호가 복수개인 경우 상기 제1 자기 공명 영상은 각각 복수개로 획득되는, 자기 공명 영상 처리 방법.
  3. 제1항에 있어서,
    상기 제1 인공 신경망 모델은 상기 제1 자기 공명 영상을 기초로 생성된 노이즈 패턴 영상이 입력되는 것인, 자기 공명 영상 처리 방법.
  4. 제1항에 있어서,
    상기 제1 출력 자기 공명 영상으로부터 퓨리에 연산을 이용하여 제2 k-space 데이터를 획득하는 단계를 포함하고,
    상기 제1 출력 자기 공명 영상을 디컴바인(decombine)하여 복수개의 제2 출력 자기 공명 영상을 획득하는 단계; 및
    상기 제2 출력 자기 공명 영상으로부터 퓨리에 연산을 이용하여 제2 k-space 데이터를 획득하는 단계를 포함하는, 자기 공명 영상 처리 방법.
  5. 제4항에 있어서,
    상기 제1 출력 자기 공명 영상을 디컴바인(decombine)하여 복수개의 제2 출력 자기 공명 영상을 획득하는 단계는 아래의 [수학식3] 또는 [수학식4]를 이용하여 수행되는 것인, 자기 공명 영상 처리 방법.
    [수학식3]

    = i번째 제2 출력 자기 공명 영상
    = i번째 코일의 감도 행렬
    = 복소수 값 정보에 따른 제1 출력 자기 공명 영상
    [수학식4]

    = i번째 제2 출력 자기 공명 영상
    = i번째 코일의 감도 행렬
    = 실수 값 정보에 따른 제1 출력 자기 공명 영상
    = 제1 출력 자기 공명 영상의 위상 정보
  6. 제4항에 있어서,
    상기 제2 k-space 데이터로부터 제2 병렬 연산 기법을 이용하여 제3 k-space 데이터를 획득하는 단계를 포함하는, 자기 공명 영상 처리 방법.
  7. 제6항에 있어서,
    상기 제3 k-space 데이터로부터 역 퓨리에 연산을 이용하여 제3 자기 공명 영상을 획득하는 단계;
    상기 제3 자기 공명 영상을 전처리하여 제2 입력 영상 데이터를 생성하는 단계; 및
    상기 제2 입력 영상 데이터로부터 제2 인공 신경망 모델을 이용하여 제3 출력 자기 공명 영상을 획득하는 단계를 포함하는, 자기 공명 영상 처리 방법.
  8. 자기 공명 영상 처리 방법을 실행하기 위한 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 자기 공명 영상을 전처리하여 제1 입력 영상 데이터를 생성하고, 상기 제1 입력 영상 데이터로부터 제1 인공 신경망 모델을 이용하여 제1 출력 자기 공명 영상을 획득하고,
    상기 제1 자기 공명 영상은 타겟 이미지와 위상 인코딩 방향으로 엘리어싱된 이미지를 포함하고,
    상기 제1 자기 공명 영상을 전처리하여 제1 입력 영상 데이터를 생성하는 것은,
    상기 엘리어싱된 이미지가 상기 타겟 이미지에 매칭되도록 상기 제1 자기 공명 영상을 쉬프트(shift)하여 쉬프트된 제1 자기 공명 영상을 획득하고, 상기 제1 자기 공명 영상과 상기 쉬프트된 제1 자기 공명 영상을 상기 위상 인코딩 방향 및 리드아웃 방향에 각각 수직하는 제1방향을 따라 스택(stack)하고 그룹화(grouping)하여 제1 입력 영상 데이터를 생성하는 것을 포함하는, 자기 공명 영상 처리 장치.
  9. 제1항 내지 제7항 중 어느 한 항에 따른 방법을 실행하는 프로그램이 저장된 컴퓨터로 읽을 수 있는 기록매체.
KR1020200050776A 2020-02-13 2020-04-27 자기 공명 영상 처리 장치 및 그 방법 KR102588863B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200050776A KR102588863B1 (ko) 2020-02-13 2020-04-27 자기 공명 영상 처리 장치 및 그 방법

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200017998A KR102144320B1 (ko) 2020-02-13 2020-02-13 자기 공명 영상 처리 장치 및 그 방법
KR1020200050776A KR102588863B1 (ko) 2020-02-13 2020-04-27 자기 공명 영상 처리 장치 및 그 방법

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020200017998A Division KR102144320B1 (ko) 2020-02-13 2020-02-13 자기 공명 영상 처리 장치 및 그 방법

Publications (2)

Publication Number Publication Date
KR20210103363A KR20210103363A (ko) 2021-08-23
KR102588863B1 true KR102588863B1 (ko) 2023-10-16

Family

ID=72043554

Family Applications (3)

Application Number Title Priority Date Filing Date
KR1020200017998A KR102144320B1 (ko) 2020-02-13 2020-02-13 자기 공명 영상 처리 장치 및 그 방법
KR1020200050780A KR20210103364A (ko) 2020-02-13 2020-04-27 자기 공명 영상 처리 장치 및 그 방법
KR1020200050776A KR102588863B1 (ko) 2020-02-13 2020-04-27 자기 공명 영상 처리 장치 및 그 방법

Family Applications Before (2)

Application Number Title Priority Date Filing Date
KR1020200017998A KR102144320B1 (ko) 2020-02-13 2020-02-13 자기 공명 영상 처리 장치 및 그 방법
KR1020200050780A KR20210103364A (ko) 2020-02-13 2020-04-27 자기 공명 영상 처리 장치 및 그 방법

Country Status (6)

Country Link
US (1) US20220309719A1 (ko)
EP (1) EP4088654A4 (ko)
JP (1) JP2023513801A (ko)
KR (3) KR102144320B1 (ko)
CN (1) CN115135237A (ko)
WO (1) WO2021162176A1 (ko)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7446903B2 (ja) * 2020-04-23 2024-03-11 株式会社日立製作所 画像処理装置、画像処理方法及び画像処理システム
KR102572311B1 (ko) * 2020-12-10 2023-08-29 주식회사 에어스메디컬 보조맵과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법
KR102584166B1 (ko) * 2020-12-10 2023-10-05 주식회사 에어스메디컬 리스케일링과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법
CN114266728A (zh) * 2021-11-27 2022-04-01 深圳先进技术研究院 一种磁共振影像获取方法、装置、设备和介质
US20240127498A1 (en) * 2021-12-30 2024-04-18 Airs Medical Inc. Magnetic resonance image processing method and apparatus using scan parameters
CN114114116B (zh) * 2022-01-27 2022-08-23 南昌大学 磁共振成像生成方法、系统、存储介质及计算机设备
KR102428725B1 (ko) * 2022-02-15 2022-08-04 주식회사 에어스메디컬 영상 개선 방법 및 이를 수행하는 컴퓨터 프로그램
CN116228913B (zh) * 2023-05-06 2023-08-22 杭州师范大学 一种磁共振图像数据的处理方法、装置和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101330638B1 (ko) 2012-05-10 2013-11-18 고려대학교 산학협력단 자기 공명 영상 생성 방법 및 그에 따른 자기 공명 영상 생성 장치
KR101659578B1 (ko) 2015-09-01 2016-09-23 삼성전자주식회사 자기 공명 영상 처리 방법 및 장치

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101923184B1 (ko) * 2017-08-25 2018-11-28 삼성전자주식회사 뉴럴 네트워크를 이용한 영상 복원 방법 및 그 자기 공명 영상 장치
KR102233996B1 (ko) * 2018-04-27 2021-03-29 연세대학교 산학협력단 자기 공명 영상 재구성 장치 및 방법
KR102215702B1 (ko) * 2018-06-04 2021-02-16 한국과학기술원 뉴럴 네트워크를 이용한 자기공명영상 처리 방법 및 그 장치
US11125844B2 (en) * 2018-07-06 2021-09-21 The Board Of Trustees Of The Leland Stanford Junior University Deep learning based methods to accelerate multi-spectral imaging
KR102131505B1 (ko) * 2018-08-29 2020-07-07 한국과학기술원 뉴럴 네트워크를 이용한 에코평면 영상 고스트 아티팩트 제거 방법 및 그 장치
US11175365B2 (en) * 2018-10-02 2021-11-16 General Electric Company System and method for sparse image reconstruction utilizing null data consistency
US20220075017A1 (en) * 2018-12-21 2022-03-10 Cornell University Machine learning for simultaneously optimizing an under-sampling pattern and a corresponding reconstruction model in compressive sensing

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101330638B1 (ko) 2012-05-10 2013-11-18 고려대학교 산학협력단 자기 공명 영상 생성 방법 및 그에 따른 자기 공명 영상 생성 장치
KR101659578B1 (ko) 2015-09-01 2016-09-23 삼성전자주식회사 자기 공명 영상 처리 방법 및 장치

Also Published As

Publication number Publication date
KR20210103363A (ko) 2021-08-23
JP2023513801A (ja) 2023-04-03
WO2021162176A1 (ko) 2021-08-19
EP4088654A4 (en) 2024-01-24
KR102144320B1 (ko) 2020-08-13
CN115135237A (zh) 2022-09-30
EP4088654A1 (en) 2022-11-16
KR20210103364A (ko) 2021-08-23
US20220309719A1 (en) 2022-09-29

Similar Documents

Publication Publication Date Title
KR102588863B1 (ko) 자기 공명 영상 처리 장치 및 그 방법
CN111513716B (zh) 使用扩展灵敏度模型和深度神经网络进行磁共振图像重建的方法和系统
US9396562B2 (en) MRI reconstruction with incoherent sampling and redundant haar wavelets
US11175365B2 (en) System and method for sparse image reconstruction utilizing null data consistency
JP5926285B2 (ja) 任意ｋ空間トラジェクトリの高速並行再構成
US9482732B2 (en) MRI reconstruction with motion-dependent regularization
US11120585B2 (en) Systems and methods for image reconstruction
KR102584166B1 (ko) 리스케일링과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법
JP2014508622A (ja) 事前情報に制約される正則化を使用するｍｒ画像再構成
KR102428725B1 (ko) 영상 개선 방법 및 이를 수행하는 컴퓨터 프로그램
US11734817B2 (en) Medical information processing apparatus, magnetic resonance imaging apparatus, and medical information processing method
JP6647816B2 (ja) 磁気共鳴イメージング装置、画像再構成方法及び画像再構成プログラム
US11828824B2 (en) System and method for deep learning-based accelerated magnetic resonance imaging with extended field of view coil sensitivity calibration
KR20190117234A (ko) 인공신경망을 이용한 자기 공명 영상의 영상 프로토콜 선택 장치와 방법 및 프로그램이 기록된 컴퓨터 판독 가능한 기록매체
KR102467249B1 (ko) 멀티 시퀀스 복원 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법
KR102572311B1 (ko) 보조맵과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법
US20230326099A1 (en) Magnetic resonance image processing apparatus and method using artificial neural network in k-space domain
KR102472546B1 (ko) 노이즈 투 노이즈 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법
KR102475390B1 (ko) 3d 마스크 자동 생성 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법
US20240127498A1 (en) Magnetic resonance image processing method and apparatus using scan parameters
KR101797141B1 (ko) 자기 공명 영상 처리 장치 및 그 영상 처리 방법
KR102475397B1 (ko) 슬라이스 레졸루션 향상이 적용된 자기 공명 영상 처리 장치 및 그 방법
Vafay Eslahi Inception-Based U-Net in Magnetic Resonance Image Reconstruction
CN118015437A (zh) 医学图像处理方法、设备和存储介质
CN115251884A (zh) 一种磁共振(mr)成像方法和系统

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant