멀티모달 딥러닝을 활용한 T2W MRI 고속 재구성

본 논문은 다발성 경화증(MS) 환자의 진단에 핵심적인 T2 가중 이미지(T2W)와 FLAIR 영상을 활용해, MRI 스캔 시간을 단축하면서도 고품질 이미지를 복원하는 새로운 딥러닝 기반 방법을 제안한다. 서론에서는 MRI의 k‑space 전체를 샘플링해야 하는 기존 방식이 긴 촬영 시간과 움직임 아티팩트를 초래한다는 문제점을 제시하고, 압축 센싱 및 병렬 MRI와 같은 기존 가속 기법들을 소개한다. 그러나 이러한 방법들은 주로 단일 모달리티에 의존하거나 복잡한 재구성 알고리즘을 필요로 한다는 한계가 있다. 문제 정의에서는 T2W의 k‑space \(X_{T2}\)에 마스크 \(M\)을 곱해 서브샘플링된 k‑space \(X_{T2}^{sub}=M\cdot X_{T2}\)를 얻고, 역푸리에 변환을 통해 공간 도메인 이미지 \(Y_{T2}^{sub}\)를 만든다. 목표는 서브샘플링된 T2W와 동일한 해상도의 FLAIR 이미지 \(Y_F\)를 입력으로 받아 완전한 T2W \(Y_{T2}\)를 복원하는 것이다. 손실 함수는 평균 제곱 오차(MSE)와 구조적 비유사도(DSSIM)의 가중합으로 정의돼, 픽셀 수준의 정확도와 인간 시각에 민감한 구조적 유사성을 동시에 최적화한다. 새로운 서브샘플링 마스크 설계는 기존의 중앙 집중형 마스크와 달리 전체 샘플의 80%를 중앙 저주파 영역에 배치하고, 나머지 20%를 고주파 영역에 균등하게 분포시킨 정적 마스크를 사용한다. 이는 저주파는 이미지 전반적인 대비를, 고주파는 세부 구조와 병변 경계를 보존하도록 설계된 것이다. 실험에서는 k=4(4배 압축) 조건에서 두 마스크를 비교했으며, 맞춤형 마스크가 SSIM 0.71→0.86으로 현저히 개선됨을 확인했다. 네트워크 아키텍처는 U‑Net을 기반으로 하면서, 두 입력(T2W‑sub, FLAIR)을 각각 별도의 컨볼루션 경로로 전처리한 뒤, 중간 단계에서 피처를 병합한다. 각 단계는 3×3 컨볼루션, 배치 정규화, ELU 활성화로 구성된 Dense Block을 포함하며, 성장률을 0으로 고정해 내부 채널 수가 증가하지 않도록 설계했다. 이렇게 함으로써 파라미터 수를 최소화하면서도 깊은 피처 학습이 가능해졌다. 디코딩 단계에서는 업샘플링(Deconvolution)과 스킵 연결을 통해 원본 해상도와 동일한 크기의 출력 이미지를 생성한다. 실험은 다발성 경화증 환자 30명으로 구성된 공개 데이터셋(