MRI는 폭넓은 진단 및 연구 응용을 뒷받침하기 위해 풍부한 조직 대비(tissue contrasts)를 제공하는 필수적인 임상 도구이다. 프로토콜은 감별진단을 위한 상보적 정보를 제공하고 조직 구조 및 구성에 대한 다차원적 통찰을 포착하기 위해, 다수의 구조적·기능적·확산(diffusion)·분광(spectroscopic) 또는 이완(relaxometry) 시퀀스를 통합할 수 있다. 그러나 이러한 역량은 검사 시간이 연장되는 대가를 요구하며, 이는 환자 처리량을 감소시키고 움직임 인공물(motion artifacts)에 대한 민감성을 높이며, 영상 품질 또는 진단 범위에 대한 타협(trade-offs)을 필요로 할 수 있다. 지난 2세기 동안, 영상 재구성 알고리즘의 발전—더불어 하드웨어 및 펄스 시퀀스 설계의 개선—을 통해 진단 품질을 보존하면서 획득(acquisition)을 가속할 수 있게 되었다. 이러한 진전의 핵심은 재구성 문제에 대한 해를 정칙화(regularize)하기 위해 사전 정보(prior information)를 통합할 수 있는 능력이다. 본 튜토리얼에서는 MRI 재구성의 기초를 개관하고, 명시적으로 수작업(hand-crafted)된 사전 정보를 사용하는 고전적 방법으로 시작하여, 성능 한계를 더 밀어붙이기 위해 학습된 사전 정보와 수작업된 사전 정보를 결합하는 딥러닝 방법으로 이어지는 최신 접근법을 조명한다. 또한 이러한 방법들의 번역(translation) 측면과 궁극적인 임상적 함의를 탐구한다. 마지막으로 MRI 재구성에서 남아 있는 과제들을 해결하기 위한 향후 방향을 논의하며 마무리한다. 본 튜토리얼은 논문에서 다루는 선택된 방법을 시연하기 위한 파이썬 툴박스(Python toolbox)(https://github.com/tutorial-MRI-recon/tutorial)를 수반한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.