Zero-Shot and Untrained Priors for Inverse-Problem MRI Reconstruction
연구 내용
학습 데이터 없이 제로샷 방식의 언트레인드 사전과 plug-and-play 결합을 통해 언더샘플드 MRI를 재건하고 품질을 향상하는 연구
부분 푸리에 제약, 가상 코일 위상, 플러그앤플레이(Plug-and-Play) 프레임을 결합하여 언더샘플드 MRI 재건의 안정성을 확보하는 연구를 수행합니다. untrained generative prior 또는 제로샷 학습으로 denoiser를 구성하고, 단일 획득 k-space를 분할해 Noise2Noise 및 Self2Self 계열 학습 신호를 생성합니다. 또한 scan-specific unsupervised 네트워크로 T1, T2, T2* 등 정량 파라미터 매핑을 개선하고, 저자장 및 휴대형 환경에 적용 가능한 재건 품질 향상을 목표로 합니다. 제한 데이터 상황에서도 성능을 유지하도록 보조적으로 데이터 증강과 정합을 설계합니다.
관련 연구 성과
관련 논문
6편
관련 특허
0건
관련 프로젝트
4건
연구 흐름
초기에는 부분 푸리에 복원에서 위상 제약을 중심으로 신뢰도 있는 재건 조건을 정리하고, 이를 언트레인드 생성형 사전과 결합하는 방향을 탐색했습니다. 이후 denoiser를 외부 데이터 없이 학습하는 제로샷 학습 프레임을 설계하여 plug-and-play 재건으로 확장했습니다. 동시에 scan-specific 무감독 네트워크를 도입해 재건과 MR 파라미터 매핑을 함께 수행하는 구조로 발전시켰습니다. 최근에는 untrained priors 기반의 견고성 검증을 저자장 및 다양한 다중 대비 데이터로 확대하고, 제한 데이터 환경에서 과최적화를 줄이기 위한 보조 기법까지 포함하는 흐름으로 이어지고 있습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
Enhanced Partial Fourier MRI With Zero-Shot Deep Untrained Priors
Accelerated MR Parameter Mapping with Scan-specific Unsupervised Networks
Robust Partial Fourier Reconstruction with Zero-shot Deep Untrained Generative Prior
Zero-Shot Recon2Recon: Data-Free Unsupervised Denoiser Learning for Plug-and-Play Magnetic Resonance Imaging Reconstruction
Zero-Shot Unsupervised Denoiser Learning for Plug-and-Play MRI Reconstruction
Orthogonal Transform-Driven Data Augmentation for Limited Gaussian-Tainted Dataset
관련 프로젝트
구분
제목
물리기반 생성형 인공지능을 활용한 저자장 및 휴대용 자기공명영상 품질 향상 연구
고속 자기공명영상 재건을 위한 신뢰할 수 있고, 해석가능한 비지도학습 특정 스캔 인공신경망 개발
고속 자기공명영상 재건을 위한 신뢰할 수 있고, 해석가능한 비지도학습 특정 스캔 인공신경망 개발
신경망 응용 자동생성 및 실행환경 최적화 배포를 지원하는 통합개발 프레임워크 기술개발