Insights & Perspectives

SwiftMR의 딥러닝 알고리즘이 궁금해요!

By Geunu Jeong, Head of SwiftMR Research at AIRS Medical

 

SwiftMR은 MRI 영상의 품질을 향상시켜주는 딥러닝 기반 제품입니다. 그렇다면 이 알고리즘이 기존의 딥러닝 알고리즘과 어떻게 달라서 이렇게 탁월한 복원 성능을 보일 수 있을까요? 에어스메디컬이 arXiv에 출간한 논문 ‘All-in-One Deep Learning Framework for MR Image Reconstruction’에서 그 답을 찾을 수 있습니다. 기술적인 난이도가 높은 내용이지만, 차근차근 이해해봅시다!

MRI 스캐너에서 촬영을 하면 먼저 k-space data라고 불리는 raw data를 얻게 됩니다. 얻은 k-space data의 각 점을 sample이라고 부릅니다. 이 때, 설정한 스캔 파라미터에 따라 k-space data의 sample의 수와 각 sample의 노이즈 수준이 달라집니다. 촬영 시간을 더 길게 투자하는 쪽으로 스캔 파라미터를 설정하면 더 많은 sample들을 각각 더 낮은 노이즈 수준으로 얻을 수 있게 되고, 반대로 촬영 시간을 더 짧게 투자하는 쪽으로 스캔 파라미터를 설정하면 더 적은 sample들을 각각 더 높은 노이즈 수준으로 얻어야 합니다. 이 k-space data가 일련의 수학적 연산 과정을 거치고 나면 비로소 우리의 신체를 식별할 수 있는 MRI 영상이 만들어지는데, 이 때의 영상 품질은 앞서 말한 k-space data의 sample의 수와 각 sample의 노이즈 수준에 의해 좌우됩니다.

Geunu - how algorithm works 1

딥러닝 알고리즘을 통해 MRI 영상 품질을 개선한다는 것은 결국 ‘더 많은 수의 sample과 더 낮은 수준의 sample noise로 얻어진 k-space에서 만들어진 영상’처럼 만들어주는 것을 의미합니다. 이 때 ‘더 많은 수의 sample’ 이라고 표현한 부분을 좀 더 들여다봅시다. 더 많은 k-space sample을 얻는 방식은 여러 가지가 있습니다. 더 촘촘하게 얻기(더 낮은 uniform/random undersampling factor), 더 멀리까지 얻기(더 높은 kmax), 더 큰 타원형으로 얻기(더 높은 elliptical sampling factor), 더 대칭에 가깝게 얻기(더 높은 partial Fourier factor) 등이 그것들입니다. 이 방식들은 모두 서로 다른 수학적인 방식으로 영상 품질에 영향을 미치며, 서로가 서로를 대체할 수 없는 독립적인 방식들입니다. 예를 들어, 더 멀리까지 얻기와 더 대칭에 가깝게 얻기는 사람이 인지하는 해상도를 높여준다는 공통점이 있지만, 더 멀리까지 얻기로는 비대칭으로 얻기에서 발생하는 블러링을 줄여주지는 못합니다.

 

SwiftMR의 딥러닝 알고리즘 성능의 핵심은 바로 이 모든 측면에서의 영상 품질 향상을 한 번에 달성하는 데 있습니다.”

 

아래 그림이 이를 잘 나타냅니다. 동일한 영상을 품질 개선 측면을 하나씩 순차적으로 더해가며 여러 번 처리하고 그 변화를 관찰하였습니다. 1번 영상은 k-space sample noise 측면에서만 개선한 결과이고, 2번 영상은 frequency 방향에서 더 멀리까지 얻기 측면, 3번 영상은 phase 방향에서 더 대칭에 가깝게 얻기 측면, 4번 영상은 phase 방향에서 더 멀리까지 얻기 측면, 5번 영상은 slice 방향에서 더 멀리까지 얻기 측면을 단계적으로 추가하여 영상 품질을 개선한 결과입니다. 각 새롭게 첨가된 측면에 상응하는 영상 품질 향상이 나타났습니다. 이제 original 영상과 완전한 SwiftMR 처리 영상인 5번 영상을 비교하면 다차원적인 영상 품질 향상이 달성되었음을 확인할 수 있습니다. 그 외의 측면들은 original 영상에서 이미 최대치였기 때문에 아래 예시 그림에서는 제외하였습니다.

Geunu - how algorithm works 2

지금까지 SwiftMR의 뛰어난 성능의 비결, 즉 다차원적인 영상 품질 향상을 소개하였습니다. 이 여러 측면에서의 품질 향상이 합쳐져 놀라운 수준의 해상도 향상과 SNR 향상이 달성되는 것입니다. 한 측면(uniform/random undersampling factor)에서만 영상 품질을 향상하는 대부분의 기존 딥러닝 알고리즘과의 차이점이 바로 여기에 있었습니다. 그렇다면 딥러닝 학습을 어떻게 하였기에 이러한 다차원적인 영상 품질 향상이 가능할까요? https://arxiv.org/abs/2405.03684에 자세히 설명되어있습니다!

Geunu - how algorithm works 3