Core Concepts
HASTE MRI 데이터에서 GAN 예측을 활용하여 동작을 추정하고 이를 통해 데이터 일관성을 유지하면서 영상 품질을 향상시킬 수 있다.
Abstract
이 논문은 HASTE MRI 데이터에서 동작 추정 및 보정을 위한 방법을 제안한다.
먼저 HASTE MRI의 데이터 획득 모델과 동작 추정 및 영상 재구성 문제를 정의한다. 동작 추정을 위해 GAN을 활용하는데, GAN 예측을 사용하여 데이터 일관성을 유지하면서 동작을 추정하는 반복 네트워크 구조를 제안한다.
네트워크 학습을 위해 동작 추정에 적합한 참조 구성 독립적인 손실 함수를 정의하고, 합성 데이터 생성 방법을 소개한다.
뇌 및 복부 HASTE MRI 데이터에 대한 실험 결과, 제안 방법이 기존 GAN 기반 방법보다 우수한 성능을 보인다. 특히 데이터 일관성을 유지하면서 동작 아티팩트를 효과적으로 보정할 수 있다.
제안 방법은 다른 의료 영상 모달리티와 3D 응용에도 확장될 수 있다.
Stats
HASTE MRI 데이터에서 동작 추정을 위해 사용된 주요 수치는 다음과 같다:
뇌 MRI 데이터셋: 3600개 이미지
복부 MRI 데이터셋: 2400개 이미지
최대 동작 크기: 뇌 MRI의 경우 ±3 픽셀, 복부 MRI의 경우 최대 동작 크기는 데이터셋에 따라 다름
Quotes
"HASTE 시퀀스는 k-공간 대칭성과 코일 정보를 사용하여 인터리브 샘플링을 수행하므로 표현적 중복성이 거의 없다. 따라서 정적 재구성은 (거의) 정확하게 데이터를 복제할 수 있다."
"GAN은 정적 재구성을 입력으로 사용하고 이를 동작 아티팩트가 없는 이미지로 변환한다. 이 네트워크를 Generator라고 한다. 핵심 아이디어는 Discriminator라는 두 번째 네트워크를 사용하여 이미지가 Generator에 의해 생성되었는지 아닌지를 결정하도록 하는 것이다."