| 1 |
1
검체의 자기 공명 영상(magnetic resonance imaging, MRI) 이미지를 획득하는 단계; 및미리 학습되어 구축된 영상 재구성 모델을 이용하여, 상기 자기 공명 영상 이미지를 기반으로 상기 자기 공명 영상 이미지에 대응되는 수초화 영상(myelin water image)을 획득하는 단계;를 포함하며,상기 영상 재구성 모델은,복소수 값 기반 인공 신경망(complex-valued artificial neural network, cANN)을 포함하고,다중 에코 그라디언트 에코(multi-echo gradient echo, mGRE) 데이터를 입력받아 수초수 비율(myelin water fraction, MWF)을 출력하며,스캔 파라미터(scan parameter)의 편향성을 보상하기 위해 T1 고려 신호 모델을 이용하여 훈련 데이터를 기반으로 학습되고,공간 B0 아티팩트(artifact)를 보정하기 위해 VSF(voxel spread function)를 이용하여 보정된 테스트 데이터를 기반으로 테스트되는,자기 공명 영상 기반 수초화 영상 재구성 방법
|
| 2 |
2
제1항에서,상기 수초화 영상 획득 단계는,상기 영상 재구성 모델을 이용하여, 상기 자기 공명 영상 이미지에 대응되는 상기 수초화 영상 및 상기 자기 공명 영상 이미지에 대응되는 불확실성(uncertainty) 영상을 획득하는 것으로 이루어지며,상기 영상 재구성 모델은,출력되는 상기 수초수 비율(MWF)에 대한 불확실성 값도 함께 출력하고,상기 불확실성 값을 추정하기 위해, MC dropout(Monte Carlo dropout) 기법을 이용하여 베이지안 변분 추론(Bayesian variational inference)의 근사치로 구현되는,자기 공명 영상 기반 수초화 영상 재구성 방법
|
| 3 |
3
제2항에서,상기 영상 재구성 모델은,식 을 통해 상기 불확실성 값을 계산하며,상기 Ui는, 복셀 i에서의 불확실성 값을 나타내고,상기 K는, MC 샘플의 개수를 나타내며,상기 yk는, MC 샘플 k에서의 MC dropout의 출력 값을 나타내고,상기 MWFi는, 복셀 i에서의 수초수 비율(MWF)을 나타내고, 식 을 통해 계산되는,자기 공명 영상 기반 수초화 영상 재구성 방법
|
| 4 |
4
제2항에서,상기 영상 재구성 모델은,상기 스캔 파리미터의 플립 각도(flip angle, FA), 상기 스캔 파라미터의 반복 시간(repertition time, TR) 및 물 성분 각각에서의 T1 값을 기반으로 획득되는 T1 가중치를 포함하는 상기 T1 고려 신호 모델을 이용하여 획득한 수초수 비율(MWF)을 레이블(label)로 하여 상기 훈련 데이터를 기반으로 학습되는,자기 공명 영상 기반 수초화 영상 재구성 방법
|
| 5 |
5
제4항에서,상기 T1 가중치는,식 을 통해 계산되며,상기 α는, 상기 플립 각도(FA)를 나타내고,상기 TR은, 상기 반복 시간(TR)을 나타내며,상기 T1,n은, 상기 물 성분에서의 상기 T1 값을 나타내는,자기 공명 영상 기반 수초화 영상 재구성 방법
|
| 6 |
6
제2항에서,상기 영상 재구성 모델은,상기 VSF를 이용한 신호 누출 모델을 기반으로 F 함수를 획득하고, 획득한 상기 F 함수를 정규화하며, 측정된 신호를 정규화된 상기 F 함수로 나누는 것에 의해, 보정되는 상기 테스트 데이터를 기반으로 테스트되는,자기 공명 영상 기반 수초화 영상 재구성 방법
|
| 7 |
7
제6항에서,상기 F 함수는,식 을 통해 정규화되고,상기 테스트 데이터는, 식 을 통해 보정되며,상기 F(t)는, 상기 VSF를 이용한 신호 누출 모델을 기반으로 계산한 상기 F 함수를 나타내고,상기 N은, 미리 설정된 정규화 팩터(factor)를 나타내며,상기 Fnorm(t)는, 정규화된 상기 F 함수를 나타내고,상기 Sacq(t)는, 상기 측정된 신호를 나타내며,상기 S(t)는, 상기 공간 B0 아티팩트가 보정된 신호를 나타내는,자기 공명 영상 기반 수초화 영상 재구성 방법
|
| 8 |
8
제2항에서,상기 영상 재구성 모델은,복소수 값 완전 연결 레이어(complex-valued fully connected layer, cFC layer), 복소수 ReLU(complex-valued rectified linear unit, CReLU / zReLU / modReLU) 및 상기 MC dropout을 포함하는,자기 공명 영상 기반 수초화 영상 재구성 방법
|
| 9 |
9
제2항에서,상기 수초화 영상 획득 단계는,상기 공간 B0 아티팩트를 보정하기 위해 상기 VSF를 이용하여 상기 자기 공명 영상 이미지에 대응되는 다중 에코 그라디언트 에코(mGRE) 데이터를 보정하고, 보정된 상기 다중 에코 그라디언트 에코(mGRE) 데이터를 상기 영상 재구성 모델에 입력하고, 상기 영상 재구성 모델로부터 출력되는 수초수 비율(MWF) 및 불확실성 값을 기반으로 상기 자기 공명 영상 이미지에 대응되는 상기 수초화 영상 및 상기 불확실성 영상을 획득하는 것으로 이루어지는,자기 공명 영상 기반 수초화 영상 재구성 방법
|
| 10 |
10
제1항 내지 제9항 중 어느 한 항에 기재된 자기 공명 영상 기반 수초화 영상 재구성 방법을 컴퓨터에서 실행시키기 위하여 컴퓨터 판독 가능한 저장 매체에 저장된 컴퓨터 프로그램
|
| 11 |
11
검체의 자기 공명 영상(magnetic resonance imaging, MRI) 이미지를 기반으로 수초화 영상(myelin water image)을 획득하는 자기 공명 영상 기반 수초화 영상 재구성 장치로서,상기 자기 공명 영상 이미지를 기반으로 상기 수초화 영상을 획득하기 위한 하나 이상의 프로그램을 저장하는 메모리; 및상기 메모리에 저장된 상기 하나 이상의 프로그램에 따라 상기 자기 공명 영상 이미지를 기반으로 상기 수초화 영상을 획득하기 위한 동작을 수행하는 하나 이상의 프로세서;를 포함하고,상기 프로세서는,미리 학습되어 구축된 영상 재구성 모델을 이용하여, 상기 자기 공명 영상 이미지를 기반으로 상기 자기 공명 영상 이미지에 대응되는 상기 수초화 영상을 획득하며,상기 영상 재구성 모델은,복소수 값 기반 인공 신경망(complex-valued artificial neural network, cANN)을 포함하고,다중 에코 그라디언트 에코(multi-echo gradient echo, mGRE) 데이터를 입력받아 수초수 비율(myelin water fraction, MWF)을 출력하며,스캔 파라미터(scan parameter)의 편향성을 보상하기 위해 T1 고려 신호 모델을 이용하여 훈련 데이터를 기반으로 학습되고,공간 B0 아티팩트(artifact)를 보정하기 위해 VSF(voxel spread function)를 이용하여 보정된 테스트 데이터를 기반으로 테스트되는,자기 공명 영상 기반 수초화 영상 재구성 장치
|
| 12 |
12
제11항에서,상기 프로세서는,상기 영상 재구성 모델을 이용하여, 상기 자기 공명 영상 이미지에 대응되는 상기 수초화 영상 및 상기 자기 공명 영상 이미지에 대응되는 불확실성(uncertainty) 영상을 획득하며,상기 영상 재구성 모델은,출력되는 상기 수초수 비율(MWF)에 대한 불확실성 값도 함께 출력하고,상기 불확실성 값을 추정하기 위해, MC dropout(Monte Carlo dropout) 기법을 이용하여 베이지안 변분 추론(Bayesian variational inference)의 근사치로 구현되는,자기 공명 영상 기반 수초화 영상 재구성 장치
|
| 13 |
13
제12항에서,상기 프로세서는,상기 공간 B0 아티팩트를 보정하기 위해 상기 VSF를 이용하여 상기 자기 공명 영상 이미지에 대응되는 다중 에코 그라디언트 에코(mGRE) 데이터를 보정하고, 보정된 상기 다중 에코 그라디언트 에코(mGRE) 데이터를 상기 영상 재구성 모델에 입력하고, 상기 영상 재구성 모델로부터 출력되는 수초수 비율(MWF) 및 불확실성 값을 기반으로 상기 자기 공명 영상 이미지에 대응되는 상기 수초화 영상 및 상기 불확실성 영상을 획득하는,자기 공명 영상 기반 수초화 영상 재구성 장치
|
