동기: 딥러닝 기반 MRI 재구성은 종종 대규모 학습 데이터 또는 완전 샘플의 정답(ground truth)이 필요하여 유연성과 적용 가능성에 잠재적 제약이 있을 수 있다. 목적: 학습 데이터 없이도 수행 가능한, undersampled MRI 재구성을 위한 새로운 제로샷(zero-shot) 학습 방법을 개발하고자 한다. 방법: 제안 방법은 획득된 undersampled k-space를 무작위로 두 개의 상보적 부분 집합으로 분할한 뒤, 각 부분 집합에 대해 비편향(unbiased) 재구성을 적용하여 각각 학습 데이터와 타깃 레이블을 생성하고 Noise2Noise 학습을 수행함으로써 디노이저를 학습한다. 이후 학습된 디노이저를 최종 재구성을 위한 plug-and-play 프레임워크에 통합한다. 결과: 실험 결과, 기존 기법 대비 우수함을 확인하였으며, 특히 학습 데이터가 제한된 상황에서 유연성과 적응성이 향상되는 이점을 제공한다. 영향: 제안된 제로샷 방법은 어떠한 학습 데이터도 요구하지 않으면서 MRI 재구성을 개선한다. 본 프레임워크는 다양한 MR 응용 전반에 걸쳐 향상된 영상 품질과 적응성을 제공할 뿐 아니라, MRI를 넘어 다른 영상화 과제로도 확장 가능하다.

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