딥러닝을 적용한 병렬기법 자기공명영상에서 가속인자 변화에 따른 화질 평가
Evaluation of image quality according to changes in acceleration factors at parallel MR imaging with deep learning
- 주제(키워드) MRI
- 발행기관 고려대학교 의용과학대학원
- 지도교수 양형진
- 발행년도 2024
- 학위수여년월 2024. 8
- 학위명 석사
- 학과 및 전공 융합과학대학원 의학물리학과
- 원문페이지 43 p
- 실제URI http://www.dcollection.net/handler/korea/000000288229
- UCI I804:11009-000000288229
- DOI 10.23186/korea.000000288229.11009.0001564
- 본문언어 한국어
초록/요약
목적 : 최근 MR영상에 딥러닝(Deep Learning)을 적용하여 임상에서의 활용을 시도하고 있다. 기존 병렬기법MRI(parallel MR imaging)에서 가속인자(Acceleration factor)를 증가시킬수록 영상에 노이즈가 증가하고 인공물이 발생하여 높은 가속인자를 적용하는데 제한점이 있었다. 이 병렬기법MR에 딥러닝을 적용하여 가속인자 증가에 따른 화질의 변화를 비교평가하고, 딥러닝 적용의 잠재적인 장단점을 정량적으로 분석하고자 한다. 연구방법 : Siemens사의 3.0T MAGNETOM Vida 장비와 head&neck 20ch 코일을 이용하였다. ACR(American college of radiology)팬텀을 이용하여 T2WI, T1WI TSE 시퀀스로 기존 병렬기법과 딥러닝 적용한 병렬기법을 가속인자를 2~4까지 변화시켜 각각 10회씩 스캔하였다. 영상 분석 항목은 신호대잡음비(SNR), 고스트신호백분율(Percent-signal ghosting), 저대조도분해능(LOW-CONTRAST OBJECT DETECTABILITY), 앨리어싱 인공물(Aliasing artifact)이다. 모든 항목은 jamovi(Version 2.5)을 이용하여 기술분석과 통계검정을 수행하였다. 모든 통계학적 유의수준은 0.05로 설정하였다. 결과 : 1) SNR - p2(parallel 2)- p2d(parallel 2 deep-learning)의 차이는 통계적으로 유의미하지 않았지만, p3-p3d, p4-p4d의 경우에는 딥러닝 적용이 성능 향상에 있어서 매우 유의미한 차이를 보였다. 특히 p4와 p4d의 차이는 매우 유의미하여 딥러닝 적용이 큰 성능 향상을 제공함을 확인하였다. 2) 저대조도분해능 - p2-p2d의 차이는 통계적으로 유의미하지 않았지만, p3-p3d, p4-p4d의 경우에는 딥러닝 적용이 성능 향상에 있어서 매우 유의미한 차이를 보였다. 특히 p4와 p4d의 차이는 매우 유의미하여 딥러닝 적용이 큰 성능 향상을 제공함을 확인하였다. 3) 고스트신호 - p2-p2d, p3-p3d, p4-p4d 모두에서 통계적으로 유의미하지 않음을 확인할 수 있었다. 이는 딥러닝의 적용이 성능 향상에 큰 효과가 없음을 확인하였다. 4) 앨리어싱 - 분석결과 모든 항목에서 통계적으로 유의미하지 않음을 확인할 수 있었다. 이는 딥러닝의 적용이 성능 향상에 큰 효과가 없음을 확인하였다. 결론 : 실험 결과, 노이즈 측정 항목인 신호대잡음비와 저대조도분해능 실험에서 딥러닝을 적용한 병렬기법이 기존 방법보다 더 우수한 노이즈제거 능력이 있음을 확인하였다. 딥러닝을 통해 병렬기법은 가속인자를 높여도 노이즈가 감소하고 고해상도 이미지가 생성되었으며, 이는 MRI 영상의 진단적 신뢰성 향상에 기여할 것으로 기대된다. 그러나 딥러닝이 노이즈 개선 효과에서 매우 뛰어났던 것에 비해 인공물 항목에서는 확실한 개선 효과는 없는 것으로 나타났다. 병렬기법으로 발생한 인공물이 딥러닝 적용 후에도 상당부분 영상내에 표현되었으며, 오히려 강조되기도 하였다. 이러한 인공물의 생성은 새로운 도전 과제로 남았으며, 향후 연구에서는 이러한 인공물을 해결하고 최적의 딥러닝 기반 병렬기법을 개발할 필요가 있다.
more초록/요약
Objective: Recent efforts have been made to apply deep learning to MRI images in clinical settings. In traditional parallel MR imaging, increasing the acceleration factor often results in increased noise and artifacts, limiting the use of high acceleration factors. This study aims to compare and evaluate the changes in image quality with the application of deep learning to parallel MR imaging, analyzing the potential advantages and disadvantages of deep learning quantitatively. Methods: We used Siemens' 3.0T MAGNETOM Vida equipment and a head & neck 20-channel coil. The American College of Radiology (ACR) phantom was used to scan with T2WI and T1WI TSE sequences, applying traditional parallel imaging and deep learningenhanced parallel imaging with acceleration factors of 2 to 4, each scanned 10 times. The image analysis parameters were Signal-to-Noise Ratio (SNR), Percent-Signal Ghosting, Low-Contrast Object Detectability, and Aliasing Artifact. All parameters were analyzed using jamovi (Version 2.5) for descriptive analysis and statistical tests. The significance level for all statistical tests was set at 0.05. Results: 1) SNR: The difference between p2 (parallel 2) and p2d (parallel 2 deeplearning) was not statistically significant, but p3-p3d and p4-p4d showed significant improvements with the application of deep learning. The difference between p4 and p4d was particularly significant, indicating substantial performance enhancement with deep learning. 2) Low-Contrast Object Detectability: Similar to SNR, the difference between p2 and p2d was not statistically significant, but p3-p3d and p4-p4d showed significant improvements with deep learning. The difference between p4 and p4d was particularly significant, confirming substantial performance enhancement. 3) Percent-Signal Ghosting: There was no statistically significant difference between p2-p2d, p3-p3d, and p4-p4d, indicating that deep learning did not significantly affect this parameter. 4) Aliasing Artifact: All parameters showed no statistically significant difference, indicating that deep learning did not significantly improve performance in this area. Conclusion: The experimental results showed that deep learning-enhanced parallel imaging outperformed traditional methods in terms of noise reduction, as evidenced by the SNR and low-contrast object detectability tests. Deep learning allowed higher acceleration factors with reduced noise and high-resolution image generation, potentially improving the diagnostic reliability of MRI images. However, deep learning did not significantly improve artifact parameters. Artifacts generated by parallel imaging remained substantially present and were sometimes even emphasized after applying deep learning. Addressing these artifacts remains a challenge, and future research should focus on resolving these issues and developing optimal deep learning-based parallel imaging techniques..
more목차
1 장. 서론 10
2 장. 이론적 배경 13
2.1 MRI 스캔시간 13
2.2 K-SAPCE 13
2.3 병렬기법(Parallel MR Imaging) 14
2.4 가속인자(Acceleration factor, R) 16
2.5 Aliasing artifact 16
2.6 딥러닝(Deep Learning) 17
2.6.1 DL 기반 후처리 18
2.6.2 DL 기반 영상획득 및 재구성 19
3 장. 연구 방법 20
3.1 연구대상 및 장비 20
3.1.1 검사 장비 20
3.1.2 ACR(American college of radiology)팬텀 21
3.2 실험 방법 21
3.3 영상분석 22
3.3.1 신호대 잡음비(SNR) 22
3.3.2 고스트신호백분율(Percent-signal ghosting) 23
3.3.3 저대조도분해능(LOW-CONTRAST OBJECT DETECTABILITY) 24
3.3.4 앨리어싱(Aliasing artifact) 25
3.4 통계분석 26
4 장. 결과 27
4.1 신호대 잡음비(SNR) 27
4.2 저대조도분해능(LOW-CONTRAST OBJECT DETECTABILITY) 28
4.3 고스트신호백분율(Percent-signal ghosting) 30
4.4 앨리어싱(Aliasing artifact) 32
5 장. 결론 및 고찰 35
참고문헌 39
