T2 TSE MR 영상에서의 U-net 딥러닝 네트워크 기반의 초고해상도 영상 복구 성능 평가 (Performance Evaluation of Super Resolution Image Restoration Using U-net Deep Learning Network in T2 TSE MRI)

서지정보

· 발행기관 : 한국자기학회
· 수록지 정보 : 한국자기학회지 / 34권 / 6호 / 225 ~ 229페이지
· 저자명 : 박찬록

초록

자기공명영상(MRI) 기술은 연부조직의 신호를 수집해 디지털 영상으로 변환하는 방법이며, T2 고속 스핀 에코 기법은 짧은 획득 시간과 높은 영상 품질로 병변 검출에 널리 사용된다. 저해상도 영상을 고해상도로 복원할 때 일반적으로 선형 보간법이 사용되었지만, 최근에는 딥러닝 기반 알고리즘을 활용한 초고해상도 복원 연구가 주목받고 있다. 본 연구는 U-Net 딥러닝 네트워크와 선형 보간법을 사용해 저해상도 T2 영상을 고해상도로 복원하고, 원본 MRI 영상과의 유사도를 비교하였다. 512 × 512 해상도의 M RI 데이터를 기반으로 128 × 128 및 256 × 256 저해상도 영상을 생성 후 복원하였으며, PSNR과 SSIM 평가 결과, U-Net 모델을 활용한 초고해상도 영상이 기존 선형 보간법보다 원본 영상에 더 유사함을 확인하였다.

영어초록

Magnetic Resonance Imaging (MRI) uses magnetic fields to acquire signals from soft tissues and convert them into digital images.
The T2 turbo spin echo (TSE) pulse sequence is widely applied for lesion detection due to its efficiency and image quality. While linear interpolation is commonly used to upscale low-resolution images, recent advances in deep learning, particularly with U-Net networks, have shown potential for super-resolution image restoration. This study aimed to generate super-resolution T2 TSE images using both linear interpolation and deep learning method, comparing similarity to the original MRI images. Using 300 MRI images, low-resolution images were generated and restored using nearest-neighbor linear interpolation and U-Net deep learning network.
Evaluations based on peak signal to noise ratio (PSNR) and structural similarity index measure (SSIM) demonstrated that U-Net generated super-resolution images had better similarity to the original images compared to those restored through linear interpolation.

참고자료

· 없음