기술 요약: CoilDrop-MRI

문제 정의

가속 자기공명영상(MRI)은 언더샘플링된 k-공간(k-space) 데이터로부터 영상을 재구성하기 위해 병렬 영상 기법에 의존한다. 딥러닝 기반의 모델 기반 재구성(예: MoDL, VarNet)은 수작업으로 설계된 사전 확률(prior)을 학습 가능한 데이터 기반 사전 확률로 대체함으로써 전통적인 방식보다 우수한 성능을 입증해 왔으나, 이러한 지도 학습 방식은 훈련을 위해 완전히 샘플링된 참조 데이터를 필요로 한다. 임상 현장에서 이와 같은 고품질의 그라운드 트루스(ground truth)를 획득하는 것은 종종 비현실적이거나 불가능하다.

SSDU(Self-Supervised learning via Data Undersampling)와 같은 자기 지도 학습 전략은 획득된 k-공간 데이터를 입력 서브셋과 타겟 서브셋으로 분할함으로써 이 문제를 해결하기 위해 등장했다. 그러나 기존의 자기 지도 학습 방법들은 오직 공간 주파수(k-공간) 영역 내에서만 이러한 분할을 수행하며, 모든 수신 코일에 대해 동일한 샘플링 마스크를 공유한다. 결과적으로, 이 방식들은 다중 코일 MRI 획득 시 코일 차원 사이에 존재하는 고유한 신호 상관관계와 정보 중복성을 명시적으로 활용하지 못한다.

방법론

저자들은 코일 차원을 활용하여 데이터를 분할하는 자기 지도 물리 가이드 프레임워크인 CoilDrop-MRI를 제안한다.

핵심 메커니즘: Coil Dropout

모든 코일에 동일한 k-공간 마스크를 적용하는 SSDU와 달리, CoilDrop-MRI는 코일 차원을 따라 데이터를 분할한다.

• 분할 전략: 각 훈련 반복(iteration)마다 무작위로 선택된 수신 코일의 하위 집합이 입력 세트($\Theta$)로 할당되며, 나머지 코일들은 타겟 세트($\Lambda$)를 형성한다.
• 훈련 목표: 네트워크는 입력 코일들로부터 전체 k-공간 데이터를 재구성하고, 홀드아웃(held-out)된 타겟 코일들에 대해 손실(loss)을 계산한다. 이는 네트워크가 누락된 코일 데이터를 예측하기 위해 코일 간 신호 상관관계를 학습하도록 강제하며, 결과적으로 병렬 영상 기법에 내재된 중복성을 효과적으로 활용하게 한다.

재구성 프레임워크와의 통합

CoilDrop-MRI는 데이터 일관성(DC) 단계와 학습된 디노이징 단계가 교대로 수행되는 언롤드(unrolled) 신경망 구조에 통합된다. 이 프레임워크는 두 가지 별개의 정식화(formulation)로 구현된다:

1. 이미지 도메인(SENSE 기반): 추정된 코일 민감도 맵을 사용하여 역문제를 해결한다.
2. k-공간(SPIRiT 기반): 명시적인 민감도 맵 추정 없이 다중 코일 k-공간 데이터 간의 전역적 자기 일관성(self-consistency)을 강제한다.

저자들은 또한 k-공간과 코일 차원 모두에 독립적인 무작위 마스크를 적용하여 순수 k-공간 분할과 순수 코일 분할 사이의 가교 역할을 하는 중간 전략인 **Coil-Incoherent SSDU (CI-SSDU)**를 평가한다.

실험 범위

본 방법론은 다음과 같은 다양한 조건에서 검증되었다:

• 자기장 세기: 0.3T, 0.55T, 3T.
• 대조도(Contrast): T1-weighted, T2-weighted, T2-FLAIR, 및 확산 MRI(dMRI).
• 데이터셋: 공개 데이터인 M4Raw (0.3T), UCSF (0.55T), 그리고 Tsinghua University (3T dMRI).
• 태스크: 단일 샷(single-shot) 재구성, 퓨샷(few-shot) 학습, 교차 모달리티 일반화, 분포 외(out-of-distribution, 크로스 스캐너) 일반화, 그리고 위상 보정된 다중 샷(multi-shot) dMRI 재구성.

주요 기여

1. 새로운 분할 패러다임: 본 논문은 SSDU의 k-공간 전용 분할을 넘어, 코일 차원을 따라 데이터를 명시적으로 분할하는 최초의 자기 지도 MRI 재구성 방법을 도입하였다.
2. 다재다능한 프레임워크: CoilDrop-MRI는 SENSE 및 SPIRiT 정식화 모두에 성공적으로 적응되어, 코일 기반 자기 지도가 서로 다른 물리적 순방향 모델(forward models)과 호환됨을 입증하였다.
3. 복잡한 시나리오로의 확장: 본 프레임워크는 위상 오류 보정을 자기 지도 루프 내에 포함하여 다중 샷 확산 MRI로 확장되었다.
4. 포괄적인 검증: 광범한 실험을 통해 CoilDrop-히는 완전히 샘플링된 훈련 데이터 없이도 완전히 지도 학습된 MoDL에 필적하는 재구성 품질을 달anim함을 보여주었다.

결과

• 재구성 정확도: CoilDrop-MRI는 Tikhonov 정규화 베이스라인 및 기존 자기 지도 학습 방법들(SSDU, Robust SSDU, CI-SSDU)보다 일관되게 우수한 성능을 보였다. SPIRiT 기반 구현에서, CoilDrop-MRI는 기존 SSDU 대비 PSNR을 T1w에서 0.96 dB, T2w에서 2.21 dB, T2-FLAIR에서 0.76 dB 개선하였다. 이는 완전히 지도 학습된 MoDL의 성능에 근접한다.
• 데이터 효율성: 이 방법은 강력한 퓨샷 학습 능력을 보여주며, 단 5개의 훈련 피험자만으로도 고품질 재구성을 달성하고 최소한의 데이터로 Tikhonov 베이스라인을 능가한다.
• 일반화:
  • 교차 모달리티: 단일 대조도로 훈련된 모델은 최소한의 성능 저하($\le$ 0.70 dB PSNR 손실)와 함께 보지 못한 대조도에 대해서도 견고하게 일반화된다.
  • 크로스 스캐너/자기장 세기: 0.3T(M4Raw) 데이터로 훈련된 모델을 사용하여 0.55T(UCSF) 데이터에 대한 제로 샷 추론을 성공적으로 수행하였다. 타겟 도메인에서의 자기 지도 미세 조정(fine-tuning)은 성능을 더욱 향상시켰으며, SPIRiT 정식화에서 CoilDrop-MRI는 SSDU보다 0.95 dB 더 높은 성능을 보였다.
• 확산 MRI: CoilDrop-MRI는 4배 가속된 단일 샷 dMRI의 에일리어싱(aliasing)과 노이즈를 효과적으로 감소시켰으며, 위상 보정이 포함된 고충실도 다중 샷 공동 재구성을 가능하게 하여 더 정확한 DTI 지표(FA, MD, AD)를 산출하였다.

의의 및 주장

저자들은 CoilDrop-MRI가 코일 간 중복성을 명시적으로 활용함으로써 자기 지도 병렬 MRI 재구성을 위한 새로운 패러다임을 구축한다고 주장한다. 본 연구의 의의는 다음과 같다:

• 실용성: 저자기장이거나 특정 임상 프로토콜과 같이 완전히 샘플링된 참조 데이터를 사용할 수 없는 시나리오에서도 고품질 재구성을 가능하게 한다.
• 견고성: 기존의 자기 지도 학습 방식과 비교하여 노이즈 및 도메인 변화(서로 다른 스캐너, 자기장 세기, 대조도)에 대해 우수한 견고성을 입증하였다.
• 다재다능함: SENSE 및 SPIRiT 정식화를 모두 지원하고 다중 샷 dMRI와 같은 복잡한 태스크로 확장 가능함으로써, 다양한 획득 설정에 적응할 수 있는 유연한 프레임워크를 제공한다.
• 미래 잠재력: 저자들은 이러한 차원 활용 전략이 동적 영상의 시간 차원이나 확산 인코딩과 같은 다른 가용 데이터 차원으로 확장될 수 있으며, 다채널 코일 하드웨어 설계의 발전으로부터 이익을 얻을 수 있다고 제안한다.

결론적으로, CoilDrop-MRI는 자기 지도 학습과 완전 지도 학습 성능 사이의 간극을 메우며, 병렬 MRI 재구성을 발전시키기 위한 견고하고 실용적이며 다재다능한 프레임워크를 제공한다.