| 1 |
1
언더샘플링된 자기 공명 영상의 K-스페이스 영상을 재구성하는 K-스페이스 네트워크 모듈;상기 K-스페이스 네트워크 모듈에서 출력되는 K-스페이스 재구성 영상을 보정하는 제1 보정부;상기 제1 보정부에서 보정된 영상에 상응하는 자기 공명 영상을 입력으로 받아 아티팩트(artifact)를 제거하는 재구성을 수행하는 이미지 네트워크 모듈; 및상기 이미지 네트워크 모듈에서 출력되는 재구성된 자기 공명 영상을 보정하는 제2 보정부를 포함하되,상기 K-스페이스 네트워크 모듈은 상기 언더샘플링된 자기 공명 영상의 K-스페이스 영상과 정상적으로 샘플링된 자기 공명 영상의 K-스페이스 영상을 이용하여 상기 언더 샘플링된 자기 공명 영상의 K-스페이스 영상이 상기 정상적으로 샘플링된 자기 공명 영상과 같이 변환되도록 학습된 네트워크 모듈이며, 상기 이미지 네트워크 모듈은 상기 K-스페이스 네트워크 모듈의 출력 영상에 대한 자기 공명 영상과 정상적으로 샘플링된 자기 공명 영상을 이용하여 상기 K-스페이스 네트워크 모듈의 출력 영상에 대한 자기 공명 영상이 정상적으로 샘플링된 자기 공명 영상과 같이 변환되도록 학습된 네트워크 모듈이며,상기 제1 보정부는 상기 언더샘플링된 자기 공명 영상의 K-스페이스 영상에서 데이터가 존재하는 영역의 데이터와 상기 K-스페이스 네트워크 모듈에서 출력되는 K-스페이스 영상의 해당 영역의 데이터가 일치하도록 보정을 수행하는 것을 특징으로 하는 언더샘플링된 자기 공명 영상의 재구성 장치
|
| 2 |
2
제1항에 있어서,상기 K-스페이스 네트워크 모듈은 상기 언더샘플링된 자기 공명 영상의 K-스페이스 영상의 특징 정보를 추출하는 특징 추출부;상기 특징 정보를 이용하여 상기 언더샘플링된 자기 공명 영상의 K-스페이스 영상에서 데이터가 없는 영역의 데이터를 추정하는 추정부; 및상기 추정부에서 추정된 데이터를 이용하여 최종적인 재구성을 수행하는 재구성부를 포함하는 것을 특징으로 하는 언더샘플링된 자기 공명 영상의 재구성 장치
|
| 3 |
3
제2항에 있어서,상기 특징 추출부는 상기 언더샘플링된 자기 공명 영상의 K-스페이스 영상의 실수부 및 허수부에 대해 독립적으로 상기 특징 정보를 추출하는 것을 특징으로 하는 언더샘플링된 자기 공명 영상의 재구성 장치
|
| 4 |
4
삭제
|
| 5 |
5
제1항에 있어서,상기 이미지 네트워크 모듈은 레퍼런스 이미지와 입력되는 이미지와의 차에 해당하는 잔여 이미지를 예측하여 재구성을 수행하는 것을 특징으로 하는 언더샘플링된 자기 공명 영상의 재구성 장치
|
| 6 |
6
제1항에 있어서,상기 제2 보정부는 상기 이미지 네트워크 모듈에서 출력되는 재구성된 자기 공명 영상을 K-스페이스 영상으로 변환하고, 상기 언더샘플링된 자기 공명 영상의 K-스페이스 영상에서 데이터가 존재하는 영역의 데이터와 상기 변환된 K-스페이스 영상의 해당 영역의 데이터가 일치하도록 보정을 수행하는 것을 특징으로 하는 언더샘플링된 자기 공명 영상의 재구성 장치
|
| 7 |
7
제6항에 있어서,상기 제2 보정부는 보정이 완료된 K-스페이스 영상을 인버스 퓨리어 트랜스폼을 통해 자기 공명 영상으로 변환하는 것을 특징으로 하는 언더샘플링된 자기 공명 영상의 재구성 장치
|
| 8 |
8
제1항에 있어서,상기 K-스페이스 네트워크 모듈 및 상기 이미지 네트워크 모듈은 CNN(Convolutional Neural Network)을 이용하여 학습되는 것을 특징으로 하는 언더샘플링된 자기 공명 영상의 재구성 장치
|
| 9 |
9
언더샘플링된 자기 공명 영상의 K-스페이스 영상을 K-스페이스 네트워크 모듈을 이용하여 재구성하는 단계(a);상기 K-스페이스 네트워크 모듈에서 출력되는 K-스페이스 재구성 영상을 보정하는 단계(b);상기 단계 (b)에서 보정된 영상에 상응하는 자기 공명 영상을 입력으로 하여 이미지 네트워크 모듈을 이용하여 아티팩트(artifact)를 제거하는 재구성을 수행하는 단계(c); 및상기 단계(c)에서 재구성된 자기 공명 영상을 보정하는 단계(d)를 포함하되,상기 K-스페이스 네트워크 모듈은 상기 언더샘플링된 자기 공명 영상의 K-스페이스 영상과 정상적으로 샘플링된 자기 공명 영상의 K-스페이스 영상을 이용하여 상기 언더 샘플링된 자기 공명 영상의 K-스페이스 영상이 상기 정상적으로 샘플링된 자기 공명 영상과 같이 변환되도록 학습된 네트워크 모듈이며, 상기 이미지 네트워크 모듈은 상기 K-스페이스 네트워크 모듈의 출력 영상에 대한 자기 공명 영상과 정상적으로 샘플링된 자기 공명 영상을 이용하여 상기 K-스페이스 네트워크 모듈의 출력 영상에 대한 자기 공명 영상이 정상적으로 샘플링된 자기 공명 영상과 같이 변환되도록 학습된 네트워크 모듈이며,상기 단계(b)는 상기 언더샘플링된 자기 공명 영상의 K-스페이스 영상에서 데이터가 존재하는 영역의 데이터와 상기 단계(a)에서 출력되는 K-스페이스 영상의 해당 영역의 데이터가 일치하도록 보정을 수행하는 것을 특징으로 하는 언더샘플링된 자기 공명 영상의 재구성 방법
|
| 10 |
10
제9항에 있어서,상기 단계(a)는, 상기 언더샘플링된 자기 공명 영상의 K-스페이스 영상의 특징 정보를 추출하는 단계; 상기 특징 정보를 이용하여 상기 언더샘플링된 자기 공명 영상의 K-스페이스 영상에서 데이터가 없는 영역의 데이터를 추정하는 단계; 및상기 추정된 데이터를 이용하여 최종적인 재구성을 수행하는 단계를 포함하는 것을 특징으로 하는 언더샘플링된 자기 공명 영상의 재구성 방법
|
| 11 |
11
제10항에 있어서,상기 특징 정보를 추출하는 단계는, 상기 언더샘플링된 자기 공명 영상의 K-스페이스 영상의 실수부 및 허수부에 대해 독립적으로 상기 특징 정보를 추출하는 것을 특징으로 하는 언더샘플링된 자기 공명 영상의 재구성 방법
|
| 12 |
12
삭제
|
| 13 |
13
제9항에 있어서,상기 단계(c)는 레퍼런스 이미지와 입력되는 이미지와의 차에 해당하는 잔여 이미지를 예측하여 재구성을 수행하는 것을 특징으로 하는 언더샘플링된 자기 공명 영상의 재구성 방법
|
| 14 |
14
제9항에 있어서,상기 단계(d)는 상기 단계(c)에서 출력되는 재구성된 자기 공명 영상을 K-스페이스 영상으로 변환하고, 상기 언더샘플링된 자기 공명 영상의 K-스페이스 영상에서 데이터가 존재하는 영역의 데이터와 상기 변환된 K-스페이스 영상의 해당 영역의 데이터가 일치하도록 보정을 수행하는 것을 특징으로 하는 언더샘플링된 자기 공명 영상의 재구성 방법
|
| 15 |
15
제14항에 있어서,상기 단계(d)는 보정이 완료된 K-스페이스 영상을 인버스 퓨리어 트랜스폼을 통해 자기 공명 영상으로 변환하는 것을 특징으로 하는 언더샘플링된 자기 공명 영상의 재구성 방법
|
| 16 |
16
제9항에 있어서,상기 K-스페이스 네트워크 모듈 및 상기 이미지 네트워크 모듈은 CNN(Convolutional Neural Network)을 이용하여 학습되는 것을 특징으로 하는 언더샘플링된 자기 공명 영상의 재구성 방법
|
| 17 |
17
제9항의 방법을 실행하기 위한 프로그램이 기록되어 있으며 컴퓨터에 의해 판독 가능한 프로그램이 기록된 기록 매체
|
