K-Space 채우기와 이미지 정제: 동적 및 다중 대비 MRI 재구성 위한 프롬프팅

동적 또는 다중 대비 자기공명영상(MRI) 재구성의 핵심은 프레임 간 또는 대비 간 정보를 탐색하는 데에 있다. 현재까지 가장 뛰어난 성능을 보이는 MRI 재구성 방법은 반복적인 MRI 재구성 단계와 학습 가능한 신경망 층을 결합한 '언롤드(unrolled) 모델'이다. 그러나 이 모델에는 두 가지 주요한 한계가 존재한다. 첫째, 언롤드 모델의 구조 및 GPU 메모리 제약으로 인해 네트워크 내 각 노이즈 제거 블록의 표현 능력이 제한되어 세부적인 특징을 효과적으로 추출하는 데 어려움이 있다. 둘째, 기존 모델은 입력의 변화(예: 다양한 대비, 해상도, 관측 각도 등)에 유연하게 대응할 수 있는 능력이 부족하여 각 입력 유형에 대해 별도의 모델을 학습해야 하는 불편함이 있으며, 이는 비효율적이며 충분한 재구성 결과를 도출하기 어려울 수 있다. 본 논문에서는 이러한 한계를 극복하기 위해 이중 단계의 MRI 재구성 파이프라인을 제안한다. 첫 번째 단계는 누락된 k-스페이스 데이터를 보충하는 것으로, 물리 기반 재구성 문제로 접근한다. 먼저, 인접 프레임 또는 인접 대비 정보를 활용하고 채널 주의 메커니즘(channel attention)을 도입하여 프레임 간/대비 간 고유의 상관관계를 효과적으로 포착하는 간단하면서도 효율적인 기준 모델(baseline model)을 제안한다. 그 후, 이 기준 모델을 확장하여 다양한 관측 각도, 대비, 인접 유형, 가속 인자에 대응하는 통합형 MRI 재구성 모델인 PromptMR을 제안한다. 두 번째 단계는 첫 번째 단계에서 얻은 재구성 결과를 보정하는 것으로, 이미지 도메인에서 인접 프레임 또는 인접 대비의 특징을 더욱 효과적으로 융합하기 위해 일반적인 영상 복원 문제로 간주한다. 광범위한 실험을 통해 제안하는 방법이 기존 최고 수준의 가속 MRI 재구성 방법들보다 유의미하게 뛰어난 성능을 보임을 확인하였다.