KR20220138481A - 페이즈 레졸루션 향상이 적용된 자기 공명 영상 처리 장치 및 그 방법 - Google Patents

페이즈 레졸루션 향상이 적용된 자기 공명 영상 처리 장치 및 그 방법 Download PDF

Info

Publication number
KR20220138481A
KR20220138481A KR1020210042244A KR20210042244A KR20220138481A KR 20220138481 A KR20220138481 A KR 20220138481A KR 1020210042244 A KR1020210042244 A KR 1020210042244A KR 20210042244 A KR20210042244 A KR 20210042244A KR 20220138481 A KR20220138481 A KR 20220138481A
Authority
KR
South Korea
Prior art keywords
image
magnetic resonance
image processing
neural network
network model
Prior art date
Application number
KR1020210042244A
Other languages
English (en)
Other versions
KR102467290B1 (ko
Inventor
김지욱
Original Assignee
주식회사 에어스 메디컬
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 에어스 메디컬 filed Critical 주식회사 에어스 메디컬
Priority to KR1020210042244A priority Critical patent/KR102467290B1/ko
Publication of KR20220138481A publication Critical patent/KR20220138481A/ko
Application granted granted Critical
Publication of KR102467290B1 publication Critical patent/KR102467290B1/ko

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]

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.

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}
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.
일반적으로 의료용 영상 장치는 환자의 신체 정보를 획득하여 영상을 제공하는 장치이다. 의료용 영상 장치는 X선 촬영 장치, 초음파 진단 장치, 컴퓨터 단층 촬영 장치, 자기 공명 영상(Magnetic Resonance Imaging, MRI) 촬영 장치 등이 있다.
자기 공명 영상은 인체에 해가 없는 자장과 비전리 방사선을 이용하여 체내의 수소 원자핵에 핵자기 공명 현상을 일으켜 원자핵의 밀도 및 물리/화학적 특성을 영상화한 것이다. 자기 공명 영상 촬영 장치는 영상 촬영 조건이 상대적으로 자유롭고, 연부 조직에서의 다양한 진단 정보를 포함하고 우수한 대조도를 가지는 영상을 제공해주기 때문에 의료용 영상을 이용한 진단 분야에서 중요한 위치를 차지하고 있다.
한편, 자기 공명 영상 촬영 장치에 의한 촬영은 촬영 부위와 MR 영상의 종류 등에 따라 짧게는 20여분에서 길게는 1시간 이상이 소요될 수 있다. 즉, 자기 공명 영상 촬영 장치의 촬영 시간은 다른 의료용 영상 촬영 장치에 비해 상대적으로 길다는 단점이 있다. 이러한 단점은 환자에게 촬영 부담을 줄 수 있으며, 특히 폐쇄공포증이 있는 환자에게는 시행 자체를 곤란하게 한다. 따라서, 촬영 시간을 단축하려는 기술들이 최근까지 개발되고 있으며, 더불어 영상의 질적인 면에서도 개선이 요구되고 있는 실정이다.
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.
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.
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.
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.
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.
본 실시예에 있어서, 상기 입력 이미지는 리드아웃 레졸루션이 1인 것인, 자기 공명 영상 처리 방법을 제공하고자 한다.
본 실시예에 있어서, 상기 입력 이미지는 k-space 이미지 또는 DICOM 이미지인 것인, 자기 공명 영상 처리 방법을 제공하고자 한다.
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.
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.
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.
본 실시예에 있어서, 상기 입력 이미지는 리드아웃 레졸루션이 1인 것인, 자기 공명 영상 처리 장치를 제공하고자 한다.
본 실시예에 있어서, 상기 입력 이미지는 k-space 이미지 또는 DICOM 이미지인 것인, 자기 공명 영상 처리 장치를 제공하고자 한다.
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.
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.
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.
아래에서는 첨부한 도면을 참조하여, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나, 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고, 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 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.
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.
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.
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.
이하에서는, 첨부된 도면을 참조하여 본 발명의 일 실시예에 따른 자기 공명 영상 처리 장치에 대하여 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 자기 공명 영상 처리 장치의 구성을 설명하기 위한 도면이다.
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.
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.
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.
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.
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.
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.
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.
프로세서(130)는 자기 공명 영상 처리 장치(100)에서 수행되는 프로그램의 전체 과정을 제어할 수 있다. 여기서, 프로세서(130)는 프로세서(processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로서, 마이크로프로세서(microprocessor), 중앙처리장치(CPU: central processing unit), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array), 그래픽 처리 장치(GPU: graphics processing unit)등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
데이터베이스(140)는 자기 공명 영상 처리 장치(100)가 프로그램을 실행하기 위해 필요한 각종 데이터가 저장된 것일 수 있다. 예를 들어, 데이터베이스(140)는 사용자 리스트, 워크리스트 및 영상 처리 정보와 프로토콜 규칙, 의료 영상 데이터, 인공신경망 모델(400) 및 학습 데이터가 저장된 것일 수 있다.
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.
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.
이하에서는 본 발명의 일 실시예에 따른 자기 공명 영상 처리 장치(100)를 이용한 자기 공명 영상 처리 방법에 대하여 상세히 설명하기로 한다.
도 2는 본 발명의 일 실시예에 따른 자기 공명 영상 처리 장치(100)를 이용하여 수행되는 자기 공명 영상 처리 방법의 순서를 보여주는 순서도이다.
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.
도 3은 본 발명의 일 실시예에 따른 풀 샘플링과 서브 샘플링의 차이점을 설명하기 위한 개략도이다.
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.
제1회전방향은 위상 인코딩 방향 및 리드아웃 방향으로 각각 연장된 직선이 형성하는 평면에서의 시계방향 또는 반시계방향일 수 있다.
도 4는 본 발명의 일 실시예에 따른 인공신경망 모델(400)의 입력과 출력을 보여주는 도면이다.
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.
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.
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.
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.
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.
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 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.
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.
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.
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.
도 5는 본 발명의 일 실시예에 따른 인공신경망 모델(400)의 학습을 보여주는 도면이다.
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.
그 다음으로, 인공신경망 모델(400)로부터 페이즈 레졸루션이 1인 출력 이미지가 출력되는 단계(S220)가 수행될 수 있다.
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.
그 다음으로, 인공신경망 모델(400)로부터 출력된 출력 이미지를 제1회전방향과 반대방향으로 90도 회전시켜 이미지의 방향을 되돌리는 단계(S230)가 수행될 수 있다.
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.
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.
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.
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.
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
400: 인공신경망 모델

Claims (10)

  1. 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 방법.
  2. 제1항에 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 방법.
  3. 제1항에 있어서,
    상기 인공신경망 모델로부터 출력된 상기 출력 이미지를 상기 제1회전방향과 반대방향으로 90도 회전시켜 이미지의 방향을 되돌리는 단계를 포함하는, 자기 공명 영상 처리 방법.
  4. 제1항에 있어서,
    상기 입력 이미지는 리드아웃 레졸루션이 1인 것인, 자기 공명 영상 처리 방법.
  5. 제1항에 있어서,
    상기 입력 이미지는 k-space 이미지 및 DICOM 이미지인 중 적어도 어느 하나인 것인, 자기 공명 영상 처리 방법.
  6. 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 장치.
  7. 제6항에 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 장치.
  8. 제6항에 있어서,
    상기 인공신경망 모델로부터 출력된 상기 출력 이미지를 상기 제1회전방향과 반대방향으로 90도 회전시켜 이미지의 방향을 되돌리는 단계를 포함하는, 자기 공명 영상 처리 장치.
  9. 제6항에 있어서,
    상기 입력 이미지는 리드아웃 레졸루션이 1인 것인, 자기 공명 영상 처리 장치.
  10. 제6항에 있어서,
    상기 입력 이미지는 k-space 이미지 및 DICOM 이미지 중 적어도 어느 하나인 것인, 자기 공명 영상 처리 장치.
KR1020210042244A 2021-03-31 2021-03-31 페이즈 레졸루션 향상이 적용된 자기 공명 영상 처리 장치 및 그 방법 KR102467290B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210042244A KR102467290B1 (ko) 2021-03-31 2021-03-31 페이즈 레졸루션 향상이 적용된 자기 공명 영상 처리 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210042244A KR102467290B1 (ko) 2021-03-31 2021-03-31 페이즈 레졸루션 향상이 적용된 자기 공명 영상 처리 장치 및 그 방법

Publications (2)

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

Family

ID=83599268

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210042244A KR102467290B1 (ko) 2021-03-31 2021-03-31 페이즈 레졸루션 향상이 적용된 자기 공명 영상 처리 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR102467290B1 (ko)

Citations (4)

* 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
KR20190117234A (ko) * 2018-04-06 2019-10-16 연세대학교 산학협력단 인공신경망을 이용한 자기 공명 영상의 영상 프로토콜 선택 장치와 방법 및 프로그램이 기록된 컴퓨터 판독 가능한 기록매체
KR102210457B1 (ko) 2017-09-29 2021-02-01 연세대학교 산학협력단 학습을 이용한 자기공명영상 복원을 위한 언더샘플링 장치 및 방법과 학습을 이용한 자기공명영상 복원 장치 및 방법, 그리고 이에 대한 기록 매체
KR102232606B1 (ko) * 2020-08-31 2021-03-26 이화여자대학교 산학협력단 자기 공명 영상 장치 및 자기 공명 영상 생성 방법

Patent Citations (4)

* 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
KR102210457B1 (ko) 2017-09-29 2021-02-01 연세대학교 산학협력단 학습을 이용한 자기공명영상 복원을 위한 언더샘플링 장치 및 방법과 학습을 이용한 자기공명영상 복원 장치 및 방법, 그리고 이에 대한 기록 매체
KR20190117234A (ko) * 2018-04-06 2019-10-16 연세대학교 산학협력단 인공신경망을 이용한 자기 공명 영상의 영상 프로토콜 선택 장치와 방법 및 프로그램이 기록된 컴퓨터 판독 가능한 기록매체
KR102232606B1 (ko) * 2020-08-31 2021-03-26 이화여자대학교 산학협력단 자기 공명 영상 장치 및 자기 공명 영상 생성 방법

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
KR102467290B1 (ko) 2022-11-16

Similar Documents

Publication Publication Date Title
KR102588863B1 (ko) 자기 공명 영상 처리 장치 및 그 방법
KR102428725B1 (ko) 영상 개선 방법 및 이를 수행하는 컴퓨터 프로그램
US10867375B2 (en) Forecasting images for image processing
KR102584166B1 (ko) 리스케일링과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법
KR101885562B1 (ko) 제1 의료 영상의 관심 영역을 제2 의료 영상 위에 맵핑하는 방법 및 이를 이용한 장치
US11734817B2 (en) Medical information processing apparatus, magnetic resonance imaging apparatus, and medical information processing method
KR102467290B1 (ko) 페이즈 레졸루션 향상이 적용된 자기 공명 영상 처리 장치 및 그 방법
US11880915B2 (en) Systems and methods for magnetic resonance imaging
KR102475397B1 (ko) 슬라이스 레졸루션 향상이 적용된 자기 공명 영상 처리 장치 및 그 방법
CN115965837A (zh) 图像重建模型训练方法、图像重建方法及相关设备
KR102513218B1 (ko) 학습 데이터 생성 방법, 컴퓨터 프로그램 및 장치
KR102467249B1 (ko) 멀티 시퀀스 복원 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
KR102472546B1 (ko) 노이즈 투 노이즈 기법이 적용되는 자기 공명 영상 처리 장치 및 그 방법
KR102429284B1 (ko) 컴바인이 적용되는 자기 공명 영상 처리 장치 및 그 방법
US20240127498A1 (en) Magnetic resonance image processing method and apparatus using scan parameters
CN113052930A (zh) 一种胸部dr双能量数字减影图像生成方法
WO2022124473A1 (ko) K-space 도메인에 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법
KR102572311B1 (ko) 보조맵과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법
US20180344281A1 (en) Systems and methods for configuring medical device
US20240062332A1 (en) System and method for improving sharpness of magnetic resonance images using a deep learning neural network
KR102593628B1 (ko) 고품질 의료 영상 생성 방법 및 시스템
CN107799166A (zh) 医学成像系统
EP4297041A1 (en) System and method for restoring and transmitting medical image
US20230342996A1 (en) System and method for complex input data configurations for imaging applications

Legal Events

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