K-공간 영상잡음 소거 딥러닝 기술을 이용한 안면부 자기공명영상검사의 영상 품질에 관한 연구 (A Study on the Image Quality of Facial MRI Examination Using the Denoising K-Space Deep Learning Technique)

서지정보

· 발행기관 : 대한자기공명기술학회
· 수록지 정보 : 대한자기공명기술학회지 / 33권 / 2호 / 31 ~ 40페이지
· 저자명 : 김성건, 손봉경, 김성진, 유장선, 정영진, 곽종혁

초록

안면부 MRI 검사는 주변 조직에 대한 높은 대조도 와 해상력으로 해부학적 구조 파악과 질환 진단에 이용되고 있다.
최근 검사 시간을 줄이는 동시에 영상의 질을 향상하는 딥러닝이 주목받고 있다. 본 연구는 안면부 MRI 검사에서 딥러닝의 유용성을 알아보기 위해 34명의 환자를 대상으로 딥러닝 T2 강조 영상과 고식적인 T2 강조 영상의 축상면, 관상면영상을 각각 획득하여, 무참조 영상 품질평가 기법인 NIQE와 NIMA를 통하여 정량적 평가하였고, 리커트 4점 척도를 통해정성적 평가하였다. NIQE 결과에서 딥러닝 T2 강조 영상은 고식적인 T2 강조 영상보다 영상 품질이 우수하였고, NIMA결과에서는 딥러닝 T2 강조 영상의 축상면은 통계적으로 유의한 차이가 없었고, 딥러닝 T2 강조 영상의 관상면에서는 통계적으로 유의한 차이가 있었다. 정성적 평가지표에서는 입인두, 후두인두에서 질적인 이득이 있었다. 연구 결과를 통해안면부 영역 중 무의식적인 움직임이 많은 영역에서 딥러닝을 적용함으로써 고식적인 T2 강조 영상보다 높은 영상의 품질을 제공하고, 상대적으로 움직임이 덜한 구조물에서도 품질을 유지하며 검사 시간을 2분 이상 단축하여 움직임에 의한 인공물을 감소시킴으로써 응급 환자 및 비협조 환자의 진단에 유용하게 활용될 것으로 사료 된다.

영어초록

Facial MRI examination is being utilised for anatomical structure identification and disease diagnosis, providing high contrastand resolution of the surrounding tissues. Deep learning, which aims to enhance image quality while reducing examinationtime has gained attention in recent years. In this study, the usefulness of deep learning in facial MRI examination wasinvestigated. Thirty-four patients were included, while both deep learning T2-weighted images and conventional T2-weightedimages were acquired in axial and coronal planes. The images were quantitatively evaluated employing Natural Image QualityEvaluator (NIQE) and Neural Image Assessment (NIMA), as well as qualitatively assessed using a Likert 4-point scale. TheNIQE results indicated that the deep learning T2-weighted images had superior image quality compared with the conventionalT2-weighted images. In terms of NIMA results, no statistically significant difference was found in the axial plane betweenthe two image types, but a statistically significant difference was observed in the coronal plane of the deep learning T2-weightedimages. Qualitative evaluation demonstrated qualitative benefits in the oral and pharyngeal regions. The research findingssuggest that the application of deep learning in areas of the face with unconscious movement can provide higher image qualitythan conventional T2-weighted images. Additionally, deep learning can maintain quality in structures with relatively less motion,reduce examination time by more than two minutes and decrease artefacts caused by movement, thus proving useful in thediagnosis of emergency and uncooperative patients.

참고자료

· 없음