병렬 MRI 재구성과 물리제약 기반 딥러닝 네트워크 연구

Parallel MRI Reconstruction and Physics-Constrained Deep Learning Research

연구 내용

언더샘플 k-space에서 고충실도 영상을 재구성하기 위해 병렬 MRI 모델을 딥러닝으로 전개하고, 물리 모델·제약을 결합해 재현성과 품질을 개선하는 연구

병렬 MRI에서 긴 스캔 시간과 아티팩트를 줄이기 위해, 언더샘플드 k-space를 입력으로 고충실도 이미지를 산출하는 딥러닝 재구성 모델을 구축합니다. 민감도 맵을 포함한 forward model을 활용하기 위해 multi-domain Neumann network with sensitivity maps(MDNNSM)를 제안하고, 민감도 추정과 재구성 블록을 결합합니다. 또한 unrolled 반복 최적화 구조를 neural ODE로 표현한 model-based neural ODE network를 통해 적은 파라미터로 성능을 확보하는 방향을 탐색합니다. 더 나아가 MRI 스캐너·사이트 간 차이를 줄이기 위해 물리 기반 제약을 supervised 학습에 통합한 PhyCHarm을 개발합니다.

관련 프로젝트

0건

연구 흐름

연구 초기에는 병렬 MRI의 핵심 구성요소인 coil sensitivity와 forward model을 네트워크 구조에 포함하는 방식으로, 언더샘플 k-space에서 재구성 품질을 안정화하는 데 집중했습니다. 이후에는 반복 최적화 개념을 신경 미분방정식(neural ODE) 형태로 일반화해 모델 기반의 유도성을 유지하면서 성능과 효율을 함께 개선하는 방향으로 확장했습니다. 최근에는 재구성 단계뿐 아니라 harmonization 관점으로 연구를 확장하여, 물리 제약을 기반으로 다기관·다스캐너 데이터의 정합성을 높이는 PhyCHarm 프레임워크를 제시했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

고가속 병렬 MRI 재구성
SAR 및 품질 제약 하 영상 복원
스캐너·사이트 간 영상 정합(harmonization)
질환 코호트 대규모 전처리 자동화
딥러닝 기반 재구성 품질 지표 표준화
영상 재현성 향상을 위한 학습 설계
자기장 물리 모델 기반 네트워크 해석
실시간에 가까운 재구성 파이프라인
아티팩트 최소화 중심 진단 영상 제공
정량 MRI 분석을 위한 입력 안정화