우리는 무감독 제로샷(Zero-shot) 딥러닝 접근을 이용한 부분 푸리에 재구성(partial Fourier reconstruction)을 위한 새로운 방법을 제시한다. 구체적으로, 이 방법은 전통적인 위상 제약(phase constraint)을 제로샷 딥러닝 기법의 최근 성과와 통합함으로써 부분 푸리에 재구성을 향상시킨다. 최근에는 학습되지 않은 생성적 사전분포(untrained generative prior)에 기반한 제로샷 딥러닝 방법이 제안되었으며, 이는 다중 에코/대조(multi-echo/contrast) 재구성에서 효과를 보였다. 이 접근은 MR 영상이 학습되지 않은 인공 신경망(untrained artificial neural network)을 통해 비선형적으로 표현될 수 있다는 가정에 기반하며, 별도의 학습 데이터 없이 영상 재구성과 사전분포 학습을 동시에 수행할 수 있게 한다. 본 연구에서는 이러한 프레임워크를 가상 공액 코일(virtual conjugate coil, VCC) 위상 제약(phase constraint)과 통합하여 견고한 부분 푸리에 재구성을 가능하게 한다. 제안한 방법을 fastMRI 데이터셋, QALAS 다중-대조(multi-contrast) 데이터셋, 그리고 저전계(low-field) 데이터셋에서 평가하였다. 실험 결과는 제안한 방법이 기존 방법에 비해 재구성 품질을 향상시키며, NRMSE가 약 1.15배에서 2.5배까지 감소함을 확인하였다. 제안된 기법은 견고한 부분 푸리에 재구성을 가능하게 하여 다양한 응용 분야에서 유용함을 입증한다. 또한 제로샷 접근을 채택하여 학습 데이터의 필요성을 제거함으로써, 데이터 수집이 어려운 상황에서의 활용성을 높인다.

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