역문제(inverse problems) 중 하나인 동적 MRI 재구성은 딥러닝 기법의 활용에 힘입어 최근 급격한 발전을 보이고 있다. 특히, 정답(ground truth) 데이터 획득의 실질적 어려움은 비지도 학습 접근법의 출현으로 이어졌다. 그중 최근 유망한 방법은 암묵적 신경 표현(implicit neural representation, INR)으로, 좌표 값에 대응하는 신호 값으로 매핑하는 연속 함수를 통해 데이터를 정의한다. 이를 통해 불완전한 측정만으로도 누락된 정보를 채워 넣을 수 있으며 역문제를 효과적으로 해결할 수 있다. 그럼에도 불구하고, 이 방법을 반영한 기존 연구들은 긴 최적화 시간과 광범위한 하이퍼파라미터 튜닝의 필요와 같은 단점에 직면해 왔다. 이러한 문제를 해결하기 위해 본 연구에서는 DA-INR(Dynamic-Aware INR), 즉 영상 도메인에서 동적 MRI 데이터의 공간적 연속성과 시간적 연속성을 포착하고, 데이터의 시간적 중복성을 모델 구조에 명시적으로 반영하는 INR 기반 동적 MRI 재구성 모델을 제안한다. 그 결과, DA-INR은 극도로 낮은 언더샘플링 비율에서도 다른 모델들에 비해 재구성 품질에서 우수성을 보이면서도 최적화 시간을 유의하게 단축하고, 최소한의 하이퍼파라미터 튜닝만을 요구한다.

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