KIKI-net: Cross-Domain Convolutional Neural Networks for Reconstructing Undersampled Magnetic Resona
최종 수정일: 2020년 2월 17일
본 연구진은 교차 도메인 합성곱 신경망 기반 딥러닝 구조(Cross-Domain Convolutional Neural Networks)를 사용하여 과소 샘플링된 자기공명 데이터로부터 영상을 재구성하는 기술을 개발.

그림1. 본 연구진이 개발한 교차 도메인 합성곱 신경망 기반 과소 샘플링된 자기공명 데이터의 재구성 기술 (“KIKI-net”).
-자기공명영상(Magnetic Resonance Imaging; MRI)은 해부학적 구조와 생리기능을 시각화하기 위한 다양한 대조도 영상을 제공하는 비침습적인 의료영상 기술이다. 자기공명영상 촬영은 상당히 오랜 시간을 거쳐 진행이 되기 때문에 빠른 촬영을 위해 샘플링 횟수를 줄이게 되지만, 이로 인해 풀 샘플링으로 얻은 영상에 비해 아티펙트가 포함된 좋지 않은 퀄리티 영상을 얻게 된다.
-본 연구진은 이러한 문제를 해결하고자 3가지로 구성(KCNN, ICNN, Interleaved Data Consistency)된 교차 도메인 합성곱 신경망 기반 딥러닝 알고리즘을 사용하여 과소 샘플링된 자기공명 데이터로부터 높은 퀄리티의 영상으로 재구성하는 기술을 개발하였다.

그림2. 재구성된 자기공명영상의 결과비교.기존 방식 (Zero Filling, CS-MRI, DL-MRI, Wang’s, PANO, FDLCP)과 비교했을 때 본 연구진이 제안한 알고리즘 (KIKI-net)이 우수한 성능을 보임.
- KCNN은 푸리에 (k-space) 도메인에서 동작하는 합성곱 신경망으로써 획득하지 않은 부분의 데이터 부분을 채우는 (interpolation)과정을 진행하며, ICNN은 이미지 (image) 도메인에서 동작하는 합성곱 신경망으로써 아티펙트를 제거하는 과정을 진행한다.Interleaved Data Consistency Layer는 KCNN 및 ICNN의 결과를 푸리에 (k-space) 도메인으로 변환하여 본래 획득한 데이터를 유지하도록 하는 과정을 진행한다.위와 같은 3가지 방식을교차하여 (KCNN-DC-ICNN-DC) 진행함으로써 k-space 도메인 및 이미지 도메인에서의 역할 모두를 활용함으로써 결과적으로 영상을 효과적으로 재구성할 수 있게 된다.
- 기존 영상 재구성에 관한 방식들 (zero filling, CS-MRI, DL-MRI, Wang’s, PANO, FDLCP)과 비교했을 때, 본 연구진이 제안한 알고리즘 (KIKI-net)이 영상 재구성 및 아티펙트 제거에 있어 우수한 성능을 보일 뿐 아니라 정량적 수치 비교 (peakSNR; PSNR, structural similarity; SSIM)에서도 좋은 수치를 보여주었다.
참고 url:https://onlinelibrary.wiley.com/doi/full/10.1002/mrm.27201
Eo, Taejoon, et al. "KIKI‐net: cross‐domain convolutional neural networks for reconstructing undersampled magnetic resonance images." Magnetic resonance in medicine 80.5 (2018): 2188-2201.