자기공명영상의 가속화를 위한 한가지 접근법은, 하드웨어에서 얻는 데이터 정보의 양을 줄여 MRI 촬영 시간을 단축시키고, 부족한 정보는 영상신호처리 기법을 사용해 재건 (MRI reconstruction) 하 는 것이다. 기존에 20여년 전 개발된 SENSE와 GRAPPA라는 기법이 FDA승인을 받아 여러 MRI기기 에 사용되고 있고, 2017년에는 지멘스 (Siemens Healthineers)사에서 압축감지 (Compressed Sensing)기법이 FDA승인을 받아 사용되고 있다. 최근의 연구 동향은 인공지능과 딥러닝 인공신경망 을 이용한 수 많은 고속 자기공명영상 연구가 진행되고 있으며 이 방법들이 향후 신뢰성을 검증받게 되면 앞서 말한 기술들처럼 상용화 되어 일반 환자들에게 도움을 줄 수 있을 것이다. 그러나 아직까 지는 딥러닝을 이용한 의학영상기법의 신뢰도에 의구심을 제기하는 연구들이 종종 발표되고 있다. 특히나 문제가 되는 것은 환각 (Hallucination)효과로써, 인공신경망이 존재하지 않는 병변을 가짜로 만들어내거나, 반대로 존재하는 병변을 지워버리는 현상을 뜻한다. 또한, 인공신경망은 그 내부에서 어떤 과정을 거쳐 영상이 생성 되는지 정확히 해석이 불가능한 블랙박스에 가깝다는 점도 문제가 될 수 있다. 게다가, 소아환자나 폐소공포증환자, 그리고 희귀질환 환자의 경우 거대 인공신경망을 훈련 시킬 수 있을만한 대량의 정제된 데이터 확보가 거의 불가능하다는 점도 문제가 된다. 이에 본 연구는, 고속 자기공명영상(MRI)의 재건을 위한 설명가능하고 신뢰 가능한 딥러닝 인공신경 망을 개발하고자 한다. 1) 자기공명영상의 물리적 모델을 인공신경망에 포함시켜 신뢰도 강화 일반적으로 사용되는 종단간 딥러닝 (end-to-end deep learning)모델의 경우 자기공명영상의 물리 적 모델과 영상처리를 동시에 훈련해야 하므로 복잡도가 높아 훈련 데이터가 많이 필요하고, 오류가 날 가능성도 높아진다. 자기공명영상에 사용되는 물리적 모델 (MRI Physics model)을 인공신경망 구 조에 포함시켜, 산출된 영상의 신뢰도를 더욱더 높이고자 한다. 2) 설명가능한 선형 모델에 기반한 인공신경망 구성과, 이를 확장시킨 비선형 모델의 사용 기존에 존재하는 선형 재건 모델 (Linear reconstruction models)들은 그 구조가 상대적으로 단순하 고 수학적으로 증명이 되어있어 완전한 해석이 가능하며 신뢰도가 높다. 특히나, 자기공명영상 재건 의 경우 합성곱 (Convolution)에 기반한 기반한 선형 모델이 과거부터 존재해 왔으며 (한 예로, 앞서 언급한 FDA승인을 받은 GRAPPA 방법이 이에 해당), 이에 기반하여 설명 가능한 선형 합성곱신경망 (Linear convolutional neural networks)를 구성할 수 있다. 본 연구는 이를 더 확장 시켜, 설명 가능 하며 성능이 개선된 비선형 합성곱신경망 (Nonlinear convolutional neural networks)을 제안하고자 한다. 3) 외부 훈련 데이터를 요하지 않는 비지도 자가 훈련 (unsupervised scan-specific training) Deep image prior, deep decoder, untrained neural networks 등에서 사용되는, 외부 훈련 데이터 (external training data) 를 사용하지 훈련 방식을 택하여, 일반적으로 훈련데이터를 확보하기 어려운 희귀질환자, 소아환자 등에도 적용 가능도록 한다. 4) 다양한 실제 자기공명영상에 적용하여 개발된 방법론의 신뢰도와 상용화 가능성 확인 개발 완료후 다양한 고속 자기공명영상 사례에 적용하여 그 성능과 신뢰도를 확인하고, 실제 임상 적 용 가능성을 확인해 본다.