KR102027773B1 - Method and apparatus for correction of a distortion in MR image - Google Patents
Method and apparatus for correction of a distortion in MR image Download PDFInfo
- Publication number
- KR102027773B1 KR102027773B1 KR1020170184352A KR20170184352A KR102027773B1 KR 102027773 B1 KR102027773 B1 KR 102027773B1 KR 1020170184352 A KR1020170184352 A KR 1020170184352A KR 20170184352 A KR20170184352 A KR 20170184352A KR 102027773 B1 KR102027773 B1 KR 102027773B1
- Authority
- KR
- South Korea
- Prior art keywords
- image
- magnetic resonance
- distortion
- images
- readout
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000012937 correction Methods 0.000 title claims abstract description 26
- 238000003702 image correction Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 29
- 238000002595 magnetic resonance imaging Methods 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 239000000463 material Substances 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 14
- 230000003628 erosive effect Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 8
- 230000008859 change Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 239000002184 metal Substances 0.000 description 10
- 239000000126 substance Substances 0.000 description 8
- 239000007943 implant Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 239000003814 drug Substances 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000005481 NMR spectroscopy Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000007769 metal material Substances 0.000 description 2
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 230000005415 magnetization Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002346 musculoskeletal system Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000000449 premovement Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 210000004291 uterus Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G06T5/001—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- High Energy & Nuclear Physics (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
자기공명영상의 왜곡 보정을 위한 방법 및 이를 적용한 자기공명영상 장치를 개시한다.
자장불균질(field inhomogeneities)에 의한 자기공명영상의 왜곡을 보정하기 위한 방법에 있어서, 대상체에 대한 자기공명신호 획득 과정에서, 복수의 리드아웃 그라디언트에 의한 복수의 자기공명영상을 획득하는 과정; 상기 복수의 리드아웃 그라디언트에 의해 왜곡된 복수의 영상으로부터 왜곡이 없는 영상을 출력하도록 학습된 신경망 기반의 영상 보정 모델에 기초하여, 상기 복수의 자기공명영상으로부터 왜곡이 보정된 자기공명영상을 출력하는 과정을 포함하는 자기공명영상의 왜곡 보정 방법을 제공한다.A method for correcting distortion of a magnetic resonance image and a magnetic resonance imaging apparatus using the same are disclosed.
A method for correcting distortion of a magnetic resonance image due to field inhomogeneities, the method comprising: acquiring a plurality of magnetic resonance images by a plurality of readout gradients in a process of acquiring a magnetic resonance signal with respect to an object; Outputting a magnetic resonance image corrected for distortion from the plurality of magnetic resonance images based on a neural network based image correction model trained to output an image without distortion from the plurality of images distorted by the plurality of readout gradients. A distortion correction method of a magnetic resonance image including a process is provided.
Description
본 발명은 자기공명영상의 왜곡 보정을 위한 방법 및 이를 적용한 자기공명영상 장치 에 관한 것이다. The present invention relates to a method for correcting distortion of a magnetic resonance image and a magnetic resonance imaging apparatus using the same.
이 부분에 기술된 내용은 단순히 본 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.The contents described in this section merely provide background information on the present embodiment and do not constitute a prior art.
자기공명영상(Magnetic Resonance Image, MR Image)은 핵자기공명 원리를 이용한 영상 기술 중 하나이다. 자기공명영상 장치는 마그넷 안에서의 세차 운동하는 생체 신호를 RF를 통해 공명 시키고, 신체의 수소 원자핵이 공명하면서 방출하는 신호의 차이를 측정하고, 컴퓨터를 통해 이를 재구성하고 영상화한다. 자장의 변화를 이용하여 위치정보를 인코딩하여 영상을 획득한다. 자기공명영상 장치는 해부학적 구조, 생리학적인 기능 등 다양한 정보를 얻어낼 수 있는 장점이 있어, 뇌, 근골격계, 장기 기관 등 다양한 부분의 병변을 진단하기 위해 널리 이용된다. Magnetic resonance image (MR image) is one of the imaging techniques using the principle of nuclear magnetic resonance. Magnetic resonance imaging devices resonate the pre-movement biosignals in magnets via RF, measure the differences in signals emitted by the hydrogen nuclei in the body, and reconstruct and image them through a computer. The image is obtained by encoding the location information using the change of the magnetic field. Magnetic resonance imaging device has the advantage of obtaining a variety of information, such as anatomical structure, physiological function, it is widely used to diagnose lesions of various parts, such as the brain, musculoskeletal system, organs.
한편, 금속 임플란트의 외과적 시술 증가로 인해, 인체에 금속 물질을 지니고 있는 환자의 자기공명영상 촬영을 필요로 한 일이 흔히 발생한다. 이때 금속 성분은 마그넷 안에서 자기장의 왜곡을 발생시키기 때문에, 영상의 위치 정보가 왜곡되어 신호의 void 혹은 pile-up, voxel의 크기 변화 등의 형태로 최종 획득 영상에 아티팩트(artifacts)가 발생하는 문제가 있다. On the other hand, due to the increased surgical procedures of metal implants, it is common to require magnetic resonance imaging of a patient having a metal material on the human body. In this case, since the metal component causes distortion of the magnetic field in the magnet, the location information of the image is distorted and artifacts are generated in the final acquired image in the form of a void or pile-up of the signal and a change in the size of the voxel. have.
이러한 아티팩트를 제거하기 위한 방법으로는 여러 기술들이 제안된 바 있다. Several techniques have been proposed as a method for removing such artifacts.
VAT(view angle tilting)는, 주파수 인코딩과 동시에 슬라이스 선택(slice selection)을 위해 이용되었던 슬라이스 그라디언트(slice gradient, Gz)를 부가적으로 걸어주는 방식을 제안하고 있는데, 보상을 위해 추가적으로 인가된 슬라이스 그라디언트에 의해 투영된 영상을 얻게 되기 때문에 약간의 블러(blur)가 발생하고, 한 복셀(voxel) 내에서 발생하는 급격한 경사자장에 의해 발생하는 복셀의 크기 변화는 보정할 수 없다는 단점이 있다.View angle tilting (VAT) proposes a method of additionally applying a slice gradient (Gz) used for slice selection at the same time as frequency encoding, and an additionally applied slice gradient for compensation. Since a slight blur occurs due to the projected image, and the size change of the voxel generated by the sudden gradient magnetic field generated within one voxel cannot be corrected.
SEMAC(slice encoding for metal artifact correction)은 부가적인 슬라이스 선택 방향으로의 인코딩을 통해 영상 왜곡을 보정하고자 하는 방식이고, MAVRIC(multi-acquisition variable-resonance image combination)은 다중 offset 주파수를 이용한 multispectral 인코딩을 통해 영상 왜곡을 보정하고자 하는 방식이다. 그러나 이러한 방법들은 별도의 추가적인 인코딩을 해야하기 때문에 영상획득 시간이 오래 걸리고, multispectral 영상들을 합칠 때 블러가 발생하는 문제가 있다. 또한, 이러한 방식들은 주로 VAT 방식이 동시에 사용되기 때문에, VAT에 의해 발생하는 문제 또한 함께 발생하게 된다.Slice encoding for metal artifact correction (SEMAC) attempts to correct image distortion through encoding in an additional slice selection direction, and multi-acquisition variable-resonance image combination (MAVRIC) uses multispectral encoding using multiple offset frequencies. This is a method to correct image distortion. However, since these methods require additional encoding, it takes a long time to acquire images and blur occurs when combining multispectral images. In addition, since these methods mainly use the VAT method simultaneously, the problems caused by the VAT also occur together.
이외에도, SR-FPE(spectrally resolved fully phase-encoded)는 슬라이스 선택 없이, multispectral imaging으로 세 방향 모두 위상 인코딩을 이용하여 금속 물질에 의한 왜곡이 발생하지 않도록 하는 방식이다. 그러나 비현실적으로 긴 영상 획득 시간을 필요로 하기 때문에, 실제로 적용되기에는 어려움이 있다.In addition, SR-FPE (spectrally resolved fully phase-encoded) is a method of preventing distortion caused by a metal material using phase encoding in all three directions by multispectral imaging without slice selection. However, since it requires an unrealistically long image acquisition time, it is difficult to apply in practice.
(비특허문헌 1) Cho, Z. H., D. J. Kim, and Y. K. Kim. "Total inhomogeneity correction including chemical shifts and susceptibility by view angle tilting." Medical physics 15.1 (1988): 7-11.(Non-Patent Document 1) Cho, Z. H., D. J. Kim, and Y. K. Kim. "Total inhomogeneity correction including chemical shifts and susceptibility by view angle tilting." Medical physics 15.1 (1988): 7-11.
(비특허문헌 2) Lu, Wenmiao, et al. "SEMAC: slice encoding for metal artifact correction in MRI." Magnetic resonance in medicine 62.1 (2009): 66-76(Non-Patent Document 2) Lu, Wenmiao, et al. "SEMAC: slice encoding for metal artifact correction in MRI." Magnetic resonance in medicine 62.1 (2009): 66-76
(비특허문헌 3) Koch, Kevin M., et al. "A multispectral three-dimensional acquisition technique for imaging near metal implants." Magnetic resonance in medicine 61.2 (2009): 381-390.(Non-Patent Document 3) Koch, Kevin M., et al. "A multispectral three-dimensional acquisition technique for imaging near metal implants." Magnetic resonance in medicine 61.2 (2009): 381-390.
(비특허문헌 4) Artz, Nathan S., et al. "Spectrally resolved fully phase-encoded three-dimensional fast spin-echo imaging." Magnetic resonance in medicine 71.2 (2014): 681-690.(Non-Patent Document 4) Artz, Nathan S., et al. "Spectrally resolved fully phase-encoded three-dimensional fast spin-echo imaging." Magnetic resonance in medicine 71.2 (2014): 681-690.
본 발명은, 자기공명영상 생성에 있어, 대상체의 자기장 분포의 왜곡을 발생시키는 물질에 의해 발생하는 자기공명영상의 왜곡을 보정할 수 있는 방법을 제공하는 데 주된 목적이 있다.The present invention has a main object to provide a method for correcting the distortion of the magnetic resonance image generated by the material generating the distortion of the magnetic field distribution of the object in generating the magnetic resonance image.
본 발명의 일 실시예에 의하면, 자장불균질(field inhomogeneities)에 의한 자기공명영상의 왜곡을 보정하기 위한 방법에 있어서, 대상체에 대한 자기공명신호 획득 과정에서, 복수의 리드아웃 그라디언트에 의한 복수의 자기공명영상을 획득하는 과정, 상기 복수의 리드아웃 그라디언트에 의해 왜곡된 복수의 영상으로부터 왜곡이 없는 영상을 출력하도록 학습된 신경망 기반의 영상 보정 모델에 기초하여, 상기 복수의 자기공명영상으로부터 왜곡이 보정된 자기공명영상을 출력하는 과정을 포함하는 자기공명영상의 왜곡 보정 방법을 제공한다.According to an embodiment of the present invention, in the method for correcting the distortion of the magnetic resonance image by the field inhomogeneities, in the process of acquiring the magnetic resonance signal for the object, the plurality of readout gradients Acquiring a magnetic resonance image, based on a neural network-based image correction model trained to output an image without distortion from the plurality of images distorted by the plurality of readout gradients, the distortion from the plurality of magnetic resonance images A distortion correction method of a magnetic resonance image including a process of outputting a corrected magnetic resonance image is provided.
상기 자기공명영상의 왜곡 보정 방법의 실시예들은 다음의 특징들을 하나 이상 더 포함할 수 있다.Embodiments of the distortion correction method of the magnetic resonance image may further include one or more of the following features.
상기 복수의 리드아웃 그라디언트는, 제1 리드아웃 그라디언트 및 제2 리드아웃 그라디언트를 포함하고, 상기 제1 리드아웃 그라디언트 및 상기 제2 리드아웃 그라디언트는 서로 다른 극성을 갖을 수 있다.The plurality of readout gradients may include a first readout gradient and a second readout gradient, and the first readout gradient and the second readout gradient may have different polarities.
상기 영상 보정 모델은, 임의의 물질의 자화율(susceptibility)에 따라 계산된 필드 맵을 이용하여 미리 생성된 학습 데이터를 학습한 모델이고, 상기 학습 데이터는, 상기 제1 리드아웃 그라디언트에 의한 제1 왜곡 영상 및 상기 제2 리드아웃 그라디언트에 의한 제2 왜곡 영상을 포함하는 입력 데이터 및 리드아웃 그라디언트에 의한 왜곡이 없는 영상을 포함하는 출력 데이터를 포함할 수 있다.The image correction model is a model that trains previously generated training data using a field map calculated according to a susceptibility of an arbitrary material, and the training data includes a first distortion caused by the first readout gradient. The image data may include input data including an image and a second distortion image by the second readout gradient, and output data including an image without distortion by the readout gradient.
본 발명의 일 실시예에 의하면, 자장불균질에 의한 자기공명영상의 왜곡을 보정하는 자기공명영상 장치에 있어서, 대상체에 대한 자기공명신호 획득 과정에서, 복수의 리드아웃 그라디언트에 의한 복수의 자기공명영상을 획득하는 영상정보획득부 및 상기 복수의 리드아웃 그라디언트에 의해 왜곡된 복수의 영상으로부터 왜곡이 없는 영상을 출력하도록 학습된 신경망 기반의 영상 보정 모델에 기초하여, 상기 복수의 자기공명영상으로부터 왜곡이 보정된 자기공명영상을 출력하는 영상처리부를 포함하는 자기공명영상 장치를 제공한다.According to an embodiment of the present invention, in a magnetic resonance imaging apparatus for correcting a distortion of a magnetic resonance image due to magnetic field heterogeneity, in the process of acquiring a magnetic resonance signal for an object, a plurality of magnetic resonances by a plurality of readout gradients Distortion from the plurality of magnetic resonance images based on an image information acquisition unit for acquiring an image and a neural network based image correction model trained to output an image without distortion from the plurality of images distorted by the plurality of readout gradients A magnetic resonance imaging apparatus including an image processor for outputting the corrected magnetic resonance image is provided.
본 발명의 일 실시예에 의하면, 자장불균질에 의한 자기공명영상의 왜곡을 보정하기 위한 학습 방법에 있어서, 임의의 물질의 자화율에 따라 필드 맵을 계산하여 생성하는 과정, 원본 영상에 상기 필드 맵을 고려하여 복수의 리드아웃 그라디언트에 의해 서로 다른 왜곡 정보를 갖는 복수의 왜곡 영상을 획득하는 과정, 상기 원본 영상에 리드아웃 그라디언트 없이 상기 필드 맵을 고려한 위상 인코딩만을 수행하여 왜곡이 없는 영상을 획득하는 과정 및 상기 복수의 왜곡 영상에서 영상 특징을 추출하고, 추출한 영상 특징을 기초로 상기 왜곡이 없는 영상을 출력하도록 인공신경망 기반의 영상 보정 모델을 학습시키는 과정을 포함하는 자기공명영상의 왜곡 보정을 위한 학습 방법을 제공한다.According to an embodiment of the present invention, in the learning method for correcting the distortion of the magnetic resonance image by the magnetic field heterogeneity, the process of generating a field map according to the magnetization rate of any material, the field map on the original image Acquiring a plurality of distorted images having different distortion information by using a plurality of readout gradients, and performing phase encoding only considering the field map without a readout gradient to the original image to obtain an image without distortion And extracting an image feature from the plurality of distortion images, and learning an artificial neural network-based image correction model to output an image without distortion based on the extracted image feature. Provide learning methods.
상기 자기공명영상의 왜곡 보정을 위한 학습 방법의 실시예들은 다음의 특징들을 하나 이상 더 포함할 수 있다.Embodiments of the learning method for distortion correction of the magnetic resonance image may further include one or more of the following features.
상기 복수의 왜곡 영상을 획득하는 과정 및 상기 왜곡이 없는 영상을 획득하는 과정에서, 다중 오프셋 주파수 환경에서, 각 주파수 대역별로 상기 복수의 리드아웃 그라디언트에 의한 복수의 왜곡 영상 및 상기 왜곡이 없는 영상을 획득할 수 있다.In the process of acquiring the plurality of distortion images and the process of acquiring the distortion-free image, in the multi-offset frequency environment, the plurality of distortion images by the plurality of readout gradients and the distortion-free image are displayed for each frequency band. Can be obtained.
이상에서 설명한 바와 같이 본 실시예에 의하면, 신경망 기반의 학습 모델을 이용하여 보정 결과를 출력함으로써, 추가적인 인코딩 없이도 대상체 내부에서 자기장 분포의 변화를 일으키는 물질에 의해 발생한 왜곡이 보정된 자기공명영상을 얻을 수 있는 효과가 있다. As described above, according to the present embodiment, by outputting a correction result using a neural network-based learning model, a magnetic resonance image obtained by correcting distortion caused by a substance causing a change in magnetic field distribution inside the object without additional encoding is obtained. It can be effective.
또한, 본 실시예에 의하면, 임의의 물질 및 임의의 영상을 이용하여 생성된 학습 데이터를 이용할 수 있어, 실제 의료영상인 자기공명영상에 접근하기 어려운 경우에도, 다양한 왜곡 상황을 효율적으로 학습할 수 있는 효과가 있다.In addition, according to the present embodiment, it is possible to use the learning data generated by using any material and any image, so that it is possible to efficiently learn various distortion situations even when it is difficult to access the magnetic resonance image which is the actual medical image. It has an effect.
도 1은 본 발명의 일 실시예에 따른 자기공명영상 장치의 구성요소를 개략적으로 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 자기공명영상 왜곡 보정 방법을 설명하기 위한 개념도이다.
도 3은 본 발명의 일 실시예에 따른 자기공명영상의 왜곡 보정을 위한 학습 방법을 설명하기 위한 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 필드 맵 생성을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 자기공명영상의 왜곡 보정을 위한 학습 방법에서 사용되는 펄스 시퀀스를 도시한 도면이다.
도 6은 본 발명의 일 실시예에 따른 학습 데이터의 생성을 설명하기 위한 도면이다.
도 7은 종래 기술 및 본 발명의 일 실시예에 의해 왜곡 보정된 자기공명영상을 도시한 도면이다.
도 8은 본 발명의 일 실시예에 따른 자기공명영상의 왜곡 보정 방법을 설명하기 위한 흐름도이다.1 is a view schematically showing the components of a magnetic resonance imaging apparatus according to an embodiment of the present invention.
2 is a conceptual diagram illustrating a method for correcting magnetic resonance image distortion according to an exemplary embodiment of the present invention.
3 is a flowchart illustrating a learning method for correcting distortion of a magnetic resonance image according to an exemplary embodiment of the present invention.
4 is a diagram for describing field map generation according to an embodiment of the present invention.
FIG. 5 is a diagram illustrating a pulse sequence used in a learning method for distortion correction of a magnetic resonance image, according to an exemplary embodiment.
6 is a diagram for describing generation of learning data according to an embodiment of the present invention.
7 is a diagram illustrating a magnetic resonance image that is distortion-corrected according to the prior art and the embodiment of the present invention.
8 is a flowchart illustrating a distortion correction method of a magnetic resonance image according to an exemplary embodiment of the present invention.
이하, 본 발명의 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.Hereinafter, some embodiments of the present invention will be described in detail through exemplary drawings. In adding reference numerals to the components of each drawing, it should be noted that the same reference numerals are assigned to the same components as much as possible even though they are shown in different drawings. In addition, in describing the present invention, when it is determined that the detailed description of the related well-known configuration or function may obscure the gist of the present invention, the detailed description thereof will be omitted.
또한, 본 발명의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 명세서 전체에서, 어떤 부분이 어떤 구성요소를 '포함', '구비'한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 '~부', '모듈' 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.In addition, in describing the component of this invention, terms, such as 1st, 2nd, A, B, (a), (b), can be used. These terms are only for distinguishing the components from other components, and the nature, order or order of the components are not limited by the terms. Throughout the specification, when a part is said to include, 'include' a certain component, which means that it may further include other components, except to exclude other components unless otherwise stated. . In addition, the terms '~', 'module', etc. described in the specification mean a unit for processing at least one function or operation, which may be implemented by hardware or software or a combination of hardware and software.
아래에서는 첨부한 도면을 참고하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략한다.DETAILED DESCRIPTION Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings so that those skilled in the art may easily implement the present invention. In the drawings, parts irrelevant to the description are omitted in order to clearly describe the present invention.
본 명세서에서 영상은 이산적인 이미지 요소들(예를 들어, 2차원 이미지에 있어서의 픽셀들 및 3차원 이미지에 있어서의 복셀들)로 구성된 다차원(multi-dimensional) 데이터를 의미할 수 있다. In this specification, an image may refer to multi-dimensional data composed of discrete image elements (eg, pixels in a two-dimensional image and voxels in a three-dimensional image).
또한, 본 명세서에서 대상체(object)는 사람 또는 동물, 또는 사람 또는 동물의 일부를 포함할 수 있다. 예를 들어, 대상체는 간, 심장, 자궁, 뇌, 유방, 복부 등의 장기, 또는 혈관을 포함할 수 있다. 또한, 대상체는 팬텀(phantom)을 포함할 수도 있다. 팬텀은 생물의 밀도와 실효 원자 번호에 아주 근사한 부피를 갖는 물질을 의미하는 것으로, 신체와 유사한 성질을 갖는 구형(sphere)의 팬텀을 포함할 수 있다.Also, in the present specification, an object may include a person or an animal, or a part of a person or an animal. For example, the subject may include organs such as the liver, heart, uterus, brain, breast, abdomen, or blood vessels. In addition, the object may include a phantom. Phantom means a material having a volume very close to the density and effective atomic number of an organism, and may include a sphere phantom having properties similar to the body.
또한, 본 명세서에서 자기공명영상(MR image: Magnetic Resonance image)이란 핵자기 공명 원리를 이용하여 획득된 대상체에 대한 영상을 의미한다.In addition, in the present specification, a magnetic resonance image (MR image) refers to an image of an object obtained using the nuclear magnetic resonance principle.
도 1은 본 발명의 일 실시예에 따른 자기공명영상 장치의 구성요소를 개략적으로 나타낸 도면이다. 1 is a view schematically showing the components of a magnetic resonance imaging apparatus according to an embodiment of the present invention.
도 1을 참조하면, 자기공명영상 장치(100)는 영상정보획득부(110), 영상처리부(120) 및 디스플레이부(130)를 포함하여 구성된다.Referring to FIG. 1, the magnetic
영상정보획득부(110)는 대상체로부터 수신되는 자기공명신호를 처리하여, 대상체에 대한 자기공명 데이터를 생성한다. 영상처리부(120)는 자기공명신호를 전송받고, 전송받은 자기 공명 신호에 증폭, 주파수 변환, 위상 검파, 저주파 증폭, 필터링(filtering) 등과 같은 각종의 신호 처리를 가한다. 예컨대, 영상처리부(120)는 메모리의 k 공간(주파수 공간)에 디지털 데이터를 배치하고, 이러한 데이터를 2차원 또는 3차원 푸리에 변환하여 영상 데이터로 재구성할 수 있다. The image
영상정보획득부(110)가 자기공명신호에 대해 적용하는 각종 신호처리는 병렬적으로 수행될 수 있다. 예컨대, 다채널 RF 코일에 의해 수신되는 복수의 자기공명신호에 신호 처리를 병렬적으로 가하여 복수의 자기공명신호를 영상 데이터로 재구성할 수 있다.Various signal processings applied by the image
영상정보획득부(110)는 대상체 내부에 자기장 분포에 영향을 미치는 물질이 포함되어 있는 경우에, 물질에 의한 자기공명영상의 왜곡을 보정하기 위하여, 대상체에 대한 자기공명신호 획득 과정에서 복수의 리드아웃 그라디언트에 의한 복수의 자기공명영상을 획득한다.The image
영상처리부(120)는 복수의 리드아웃 그라디언트에 의해 왜곡된 복수의 영상으로부터 왜곡이 없는 영상을 출력하도록 학습된 신경망 기반의 영상 보정 모델에 기초하여, 대상체의 자기공명영상에 포함된 왜곡을 보정할 수 있다. The
디스플레이부(130)는 영상정보획득부(110)에 의해 획득된 자기공명영상 또는 영상처리부(120)에 의해 왜곡이 보정된 자기공명영상을 디스플레이할 수 있다. 또한, 디스플레이부(130)는 GUI를 디스플레이할 수 있고, 사용자 정보 또는 대상체 정보 등 사용자가 MRI 시스템을 조작하기 위해 필요한 정보를 디스플레이할 수 있다.The display 130 may display a magnetic resonance image obtained by the image
자기공명영상 장치(100)는, 도면에 도시된 구성 이외에, 대상체에 자기장을 인가하기 위한 주 자석, 경사 코일, RF 코일 등을 포함할 수 있으며, 대상체로부터 자기공명신호를 수신하기 위한 다채널 수신 코일을 포함할 수 있다.The magnetic
도 2는 본 발명의 일 실시예에 따른 자기공명영상 왜곡 보정 방법을 설명하기 위한 개념도이다. 2 is a conceptual diagram illustrating a method for correcting magnetic resonance image distortion according to an exemplary embodiment of the present invention.
도 2를 참조하면, 복수의 리드아웃 그라디언트에 의해 왜곡된 복수의 자기공명영상을 획득하고, 왜곡된 자기공명영상들을 입력으로 하고 리드아웃 그라디언트에 의한 왜곡이 없는 영상을 출력하도록 하는 신경망 기반의 영상 보정 모델을 통해 자기공명영상의 왜곡을 보정한다. 여기서, 복수의 리드아웃 그라디언트는, 복수 회차의 리드아웃 그라디언트를 의미한다. 예컨대, 복수의 리드아웃 그라디언트는 서로 다른 극성을 갖는 두 번의 리드아웃 그라디언트일 수 있다.Referring to FIG. 2, a neural network-based image for obtaining a plurality of magnetic resonance images distorted by a plurality of readout gradients, inputting distorted magnetic resonance images, and outputting an image without distortion due to the readout gradient The distortion of magnetic resonance images is corrected through a calibration model. Here, the plurality of readout gradients means a plurality of readout gradients. For example, the plurality of readout gradients may be two readout gradients having different polarities.
영상 보정 모델은 인공신경망 기반의 학습 모델로, 임의의 물질의 자화율(susceptibility)에 따라 계산된 필드 맵을 이용하여 미리 생성된 학습 데이터를 학습한 모델이다. 학습 데이터는 입력 데이터인 복수의 리드아웃 그라디언트에 의해 왜곡된 복수의 영상과 출력 데이터인 리드아웃 그라디언트에 의한 왜곡이 없는 영상을 포함하며, 동일한 원본 영상 및 동일한 필드 맵을 이용하여 각 리드아웃 그라디언트를 포함한 인코딩 및 리드아웃 그라디언트를 제외한 인코딩을 통해 획득한 입력 데이터-출력 데이터 쌍으로 이루어진다. 영상 보정 모델은 이러한 입력 데이터-출력 데이터 쌍을 이용하여, 입력 데이터와 출력 데이터의 상관 관계를 학습하며, 학습 결과에 기초하여 왜곡된 영상으로부터 왜곡이 없는 영상을 출력할 수 있도록 학습한다.The image correction model is a neural network-based learning model that trains previously generated training data using a field map calculated according to the susceptibility of an arbitrary material. The training data includes a plurality of images distorted by a plurality of readout gradients as input data and images without distortion by a readout gradient as output data, and each readout gradient is changed using the same original image and the same field map. It consists of the input data-output data pairs obtained through encoding, except for the included encoding and readout gradients. The image correction model learns a correlation between the input data and the output data by using the input data-output data pair and learns to output an image without distortion from the distorted image based on the learning result.
도 2에 도시된 실시예에 따르면, 복수의 그라디언트를 가하여 왜곡된 영상을 획득하고, 복수의 왜곡된 영상과 왜곡이 없는 영상의 상관 관계를 학습한 신경망 기반 모델에 입력함으로써, 별도의 인코딩 과정 없이도 왜곡이 없는 영상을 획득할 수 있어 영상 획득 시간을 단축할 수 있고, 왜곡 보정된 영상의 질을 향상시킬 수 있으며 왜곡 보정의 정확도를 높일 수 있다.According to the embodiment shown in FIG. 2, a plurality of gradients are applied to obtain a distorted image, and a correlation between the plurality of distorted images and a non-distorted image is input to a learned neural network-based model, without a separate encoding process. By acquiring an image without distortion, the image acquisition time can be shortened, the quality of the distortion corrected image can be improved, and the accuracy of distortion correction can be improved.
도 3은 본 발명의 일 실시예에 따른 자기공명영상의 왜곡 보정을 위한 학습 방법을 설명하기 위한 흐름도이다.3 is a flowchart illustrating a learning method for correcting distortion of a magnetic resonance image according to an exemplary embodiment of the present invention.
본 발명의 일 실시예는, 대상체 내부에 금속과 같이 자기장 왜곡을 일으키는 물질이 존재하는 경우, 자기공명영상을 획득하는 과정에서 위치 정보가 왜곡되어 발생하는 void, pile-up이나 voxel의 크기 변화 같은 아티팩트를 보정하기 위한 것이다. 본 실시예에서, 동일한 조건(동일한 원본 영상 및 동일한 물질)에서 아티팩트가 발생하여 왜곡된 영상과 아티팩트가 없는 왜곡 없는 영상을 획득하여 학습 데이터로 수집하고, 신경망 기반의 영상 보정 모델이 이를 학습한다.According to an embodiment of the present invention, when a substance causing magnetic field distortion, such as a metal, exists inside an object, such as a change in size of a void, pile-up or voxel generated by distorting the position information in the process of obtaining a magnetic resonance image To correct artifacts. In the present embodiment, artifacts are generated under the same conditions (the same original image and the same material) to obtain a distorted image and a distortion-free image without artifacts, collected as training data, and the neural network-based image correction model learns it.
도 4는 본 발명의 일 실시예에 따른 필드 맵 생성을 설명하기 위한 도면이다.4 is a diagram for describing field map generation according to an embodiment of the present invention.
먼저, 영상 왜곡 상황에 대한 학습 데이터 수집을 위해 임의의 물질을 가정하고, 도 4와 같이, 임의의 물질의 자화율(susceptibility)에 따라 필드 맵을 계산하여 생성한다. 이 때, 상기 물질의 침식, 팽창 또는 회전을 고려하여 하나의 물질에 대해 다양한 필드 맵을 생성할 수 있다. 예컨대, 금속 임플란트의 종류 및 크기를 특정하고, 자기공명영상 장치의 사양, 금속 임플란트의 각도 등에 따라 다양하게 발생할 수 있는 자기장의 분포 변화를 계산하여 필드 맵을 생성할 수 있다. 실제 사용되는 금속 임플란트의 사양 및 발생 가능한 변화들을 고려하여 다양한 필드 맵을 생성하여, 다양한 왜곡 케이스에 대해 학습할 수 있다.First, an arbitrary material is assumed to collect learning data about an image distortion situation, and as shown in FIG. 4, a field map is calculated and generated according to the susceptibility of the arbitrary material. In this case, various field maps may be generated for one material in consideration of erosion, expansion, or rotation of the material. For example, a field map may be generated by specifying the type and size of the metal implant, calculating a change in magnetic field distribution that may occur in various ways according to the specification of the magnetic resonance imaging apparatus, the angle of the metal implant, and the like. Various field maps can be generated by taking into account the specifications and possible changes of the actual metal implants to be used for learning about various distortion cases.
이후, 과정 S301 및 S302를 통해 학습 데이터를 수집한다.Thereafter, learning data is collected through the processes S301 and S302.
원본 영상에 필드 맵을 고려하여 두 방향의 리드아웃 인코딩을 통해 왜곡된 영상을 획득한다(S301). 두 방향의 리드아웃 인코딩을 통해 두 개의 왜곡된 영상을 획득할 수 있으며, 왜곡된 영상은 영상 보정 모델이 학습하는 입력 데이터로 사용된다. The distorted image is obtained through readout encoding in two directions in consideration of the field map in the original image (S301). Two distorted images can be obtained through two-way readout encoding, and the distorted images are used as input data for the image correction model to learn.
도 5는 본 발명의 일 실시예에 따른 자기공명영상의 왜곡 보정을 위한 학습 방법에서 사용되는 펄스 시퀀스를 도시한 도면이다.FIG. 5 is a diagram illustrating a pulse sequence used in a learning method for distortion correction of a magnetic resonance image, according to an exemplary embodiment.
자기장의 분포 변화가 발생하는 경우 리드아웃 그라디언트에 의해 해당 방향으로 부가적인 위상이 축적되어 다음과 같이 영상에 왜곡이 발생한다.When a change in the distribution of the magnetic field occurs, additional phase is accumulated in the corresponding direction by the readout gradient, and distortion occurs in the image as follows.
여기서, 
수학식1 및 수학식 2를 참조하면, 리드아웃 그라디언트의 대역폭 rBW에 따라 해당 voxel이 off-resonance 주파수 f를 가질 때 영상이 왜곡된다. Referring to Equations 1 and 2, the image is distorted when the corresponding voxel has an off-resonance frequency f according to the bandwidth rBW of the readout gradient.
도 5와 같이, 리드아웃 그라디언트를 양의 값(실선)과 음의 값(점선)으로 두 번 획득 할 경우, 서로 다른 왜곡 정보(수학식 1 및 수학식 2)를 갖는 두 왜곡 영상을 획득 할 수 있고, 이를 수집하여 입력 데이터를 구성할 수 있다.As shown in FIG. 5, when the readout gradient is acquired twice with a positive value (solid line) and a negative value (dashed line), two distortion images having different distortion information (Equations 1 and 2) may be obtained. Can be collected to form input data.
본 실시예에서는, 리드아웃 그라디언트가 서로 방향을 달리하고 크기는 같은 경우를 가정하여 설명하였으나, 반드시 이에 한정되는 것은 아니며, 크기 및 방향이 다른 복수의 리드아웃 그라디언트에 의해 서로 다른 왜곡 정보를 포함하는 복수의 왜곡 영상을 획득하여 입력 데이터를 수집할 수 있다. 다만, 자기공명영상 장치에서 영상 보정 모델에 입력하기 위한 데이터를 수집하는 과정은 이러한 입력 데이터의 수집 과정과 동일한 것이 바람직하다. In the present exemplary embodiment, the case where the readout gradients are different from each other and the same size is assumed, but the present invention is not necessarily limited thereto, and includes different distortion information by a plurality of readout gradients having different sizes and directions. Input data may be collected by obtaining a plurality of distortion images. However, the process of collecting data for inputting the image correction model in the magnetic resonance imaging apparatus is the same as the process of collecting the input data.
원본 영상에 리드아웃 그라디언트 없이 필드 맵을 고려한 위상 인코딩만을 수행하여 왜곡이 없는 영상을 획득한다(S302). 과정 S301에서와 동일한 원본 영상 및 동일한 필드 맵을 사용하여 리드아웃 그라디언트에 의한 왜곡이 발생하지 않은 상황을 가정하여 왜곡되지 않은 영상을 획득한다. 획득한 영상은 영상 보정 모델이 학습하는 출력 데이터로 사용된다.The image without distortion is obtained by performing phase encoding only considering the field map without a readout gradient in the original image (S302). By using the same original image and the same field map as in step S301, a non-distorted image is obtained assuming that no distortion caused by the readout gradient occurs. The acquired image is used as output data for the image correction model to learn.
과정 S301 및 과정 S302를 통해, 임의의 물질의 자화율에 따른 필드 맵을 통해 왜곡이 발생한 상황 및 왜곡이 없는 상황을 가정하여 복수의 입력 영상에 대응하는 하나의 출력 영상을 획득한다. 본 발명의 일 실시예는, 영상 보정 모델이 왜곡 상황을 학습하는 방법에 관한 것으로, 물질에 의한 자기장의 분포 변화를 보정하기 위한 것이기 때문에 원본 영상이 반드시 자기공명영상일 필요는 없다.Through processes S301 and S302, one output image corresponding to a plurality of input images is obtained assuming that a distortion occurs and a situation where there is no distortion through a field map according to the susceptibility of any material. An embodiment of the present invention relates to a method of learning a distortion situation by an image correction model, and to correct a change in the distribution of a magnetic field caused by a substance, the original image does not necessarily need to be a magnetic resonance image.
학습 데이터 기반의 감독 학습을 위해서는 학습 데이터가 필요하지만, 의료 영상에서 환자의 데이터를 모으는 것은 쉽지 않을뿐더러, label로 이용될 ground truth를 얻기 위해서는 SR-FPE같은 방법을 이용하여야 하는데, 너무 긴 영상 획득 시간을 필요로 하므로, 사실상 실제 자기공명영상을 학습 데이터로 수집하는 것은 불가능하다. 따라서, 본 발명의 일 실시예와 같이, 임의의 영상에 대해 임의의 물질의 자화율에 따른 자기장 분포의 변화를 가정하여 학습 데이터를 수집한다. Learning data is required for supervised learning based on learning data, but it is not easy to collect patient data from medical images, and it is necessary to use methods such as SR-FPE to obtain ground truth to be used as a label. Since it takes time, it is virtually impossible to collect the actual MR images as learning data. Therefore, as in an embodiment of the present invention, learning data is collected assuming a change in the magnetic field distribution according to the susceptibility of any material to any image.
도 6은 본 발명의 일 실시예에 따른 학습 데이터의 생성을 설명하기 위한 도면이다.6 is a diagram for describing generation of learning data according to an embodiment of the present invention.
자기장 분포에 영향을 미치는 임의의 물질에 대해 자화율에 따른 필드 맵을 계산하여 생성하고, 임의의 영상에 필드 맵을 고려한 학습 데이터를 생성한다. 학습 데이터는 두 개의 입력 영상과 하나의 출력 영상이 쌍으로 이루어진 입력 데이터-출력 데이터 세트로 구성된다. 영상 보정 모델이 왜곡 상황을 하는 방법에 관한 것으로, 물질에 의한 자기장의 분포 변화를 보정하기 위한 것이기 때문에 임의의 영상은 반드시 자기공명영상일 필요는 없다. 도 6에 도시된 바와 같이 자연 영상(Object)을 이용하더라도, 학습 데이터를 생성할 수 있다.The field map according to the susceptibility is calculated and generated for any material that affects the magnetic field distribution, and the training data considering the field map is generated in an arbitrary image. The training data consists of an input data-output data set in which two input images and one output image are paired. Since the image correction model relates to a distortion situation, and to correct a change in the distribution of the magnetic field due to a substance, an arbitrary image does not necessarily need to be a magnetic resonance image. As shown in FIG. 6, even when a natural image is used, learning data may be generated.
실제 자기공명영상에서 왜곡이 발생할 수 있는 다양한 상황에 대해 많은 학습 데이터를 확보하여 학습할수록 더 정확한 왜곡 보정 결과를 얻을 수 있으므로, 임의의 물질에 대한 침식, 팽창 또는 회전을 고려하여 하나의 물질에 대해 다양한 필드 맵을 생성하고 다양한 영상을 사용하여 학습 데이터를 생성한다. As more learning data is obtained for various situations where distortion can occur in real magnetic resonance images, more accurate distortion correction results can be obtained. Therefore, one material can be obtained by considering erosion, expansion, or rotation of an arbitrary material. Generate various field maps and generate training data using various images.
도 6의 오른쪽에 도시된 바와 같이, 양의 방향의 리드아웃 그라디언트를 가하여 획득한 왜곡 영상과 음의 방향의 리드아웃 그라디언트를 가하여 두 개의 왜곡 영상을 획득하고, 리드아웃 그라디언트를 가하지 않고 위상 인코딩만을 통해 획득한 왜곡이 없는 영상을 획득하여 학습 데이터로 이용한다. 왜곡이 없는 영상을 ground truth로 이용하고, 두 개의 왜곡 영상으로부터 왜곡이 없는 영상이 출력될 수 있도록 영상 보정 모델을 학습시킨다.As shown on the right side of FIG. 6, two distortion images are obtained by adding a distortion image obtained by applying a readout gradient in a positive direction and a readout gradient in a negative direction, and only performing phase encoding without adding a readout gradient. Acquire images without distortion and use them as learning data. Using the distortion-free image as ground truth, we train the image correction model so that the distortion-free image can be output from the two distortion images.
또한, multispectral 영상법으로의 확장을 위해 다중 오프셋 주파수 환경에서, 각 주파수 대역별로 복수의 리드아웃 그라디언트에 의한 복수의 왜곡 영상 및 왜곡이 없는 영상을 획득하여 학습 데이터를 생성할 수 있다.In addition, in order to extend to the multispectral imaging method, learning data may be generated by acquiring a plurality of distortion images and images without distortion by a plurality of readout gradients for each frequency band in a multiple offset frequency environment.
또한, 획득한 영상에서 일부분을 추출하여 학습 데이터를 생성할 수도 있다.In addition, a part of the acquired image may be extracted to generate training data.
과정 S301 및 S302를 통해 생성된 학습 데이터를 이용해, 복수의 왜곡 영상에서 영상 특징을 추출하고 추출한 영상 특징을 기초로 왜곡되지 않은 영상을 출력하도록 왜곡 영상과 왜곡이 없는 영상간의 상관관계를 학습한다(S303). Using the training data generated in steps S301 and S302, the correlation between the distorted image and the non-distorted image is learned so as to extract the image feature from the plurality of distorted images and output an undistorted image based on the extracted image feature ( S303).
수학식 1 및 수학식 2를 참조하면, 임의의 물질에 의해 발생하는 자기장의 분포 변화는 영상 왜곡에 직접적인 영향을 주고, 그 자기장의 분포는 물질의 위치에 기반한 지역적인 특성을 가진다. 따라서, 이러한 지역적인 연관성 분석에 효율적인 컨볼루션 기반의 인공 신경망 모델을 이용하여 입력 데이터 및 출력 데이터 간의 상관관계를 학습할 수 있다. 뿐만 아니라, 이러한 컨볼루션 기반의 인공신경망을 이용하여 제안된 알려진 다른 네트워크들, 예컨대 U-net이나 residual network 등의 네트워크들을 이용하는 것도 가능하다. Referring to Equations 1 and 2, the change in the distribution of the magnetic field generated by an arbitrary material directly affects the image distortion, and the distribution of the magnetic field has a local characteristic based on the position of the material. Therefore, it is possible to learn the correlation between the input data and the output data by using a convolution-based artificial neural network model that is effective for analyzing the regional correlation. In addition, it is also possible to use other known networks, such as U-net or residual network, which are proposed using this convolution-based artificial neural network.
도 7은 종래 기술 및 본 발명의 일 실시예에 의해 왜곡 보정된 자기공명영상을 도시한 도면이다.7 is a diagram illustrating a magnetic resonance image that is distortion-corrected according to the prior art and the embodiment of the present invention.
실제 자기공명영상 장치를 이용하여 얻은 인공물 데이터에 본 실시예를 적용하여 성능을 검토해 보았다. 3T system에서 fast spin echo를 기반으로 실험하여 획득된 자기공명영상 데이터의 파라미터들은 matrix size = 160 (readout)×512 (phase encoding)×20 (slice), resolution = 1×1×5mm^3, readout bandwidth = 780hz/px, RF duration = 400us, offset frequency = 1khz, number of bins=25와 같다.The performance of the present embodiment was examined by applying the present embodiment to artifact data obtained by using an actual magnetic resonance imaging apparatus. Parameters of magnetic resonance image data obtained by experimenting with fast spin echo in 3T system are matrix size = 160 (readout) × 512 (phase encoding) × 20 (slice), resolution = 1 × 1 × 5mm ^ 3, readout bandwidth = 780 hz / px, RF duration = 400us, offset frequency = 1khz, number of bins = 25
도시된 것과 같이, 기존의 MAVRIC 방법을 통한 왜곡 보정보다 제안된 방법을 통해 왜곡 보정이 더 잘 이루어짐을 확인할 수 있었으며, offset 주파수를 크게 설정할수록 제안된 방법에 비해 종래 기술의 아티팩트가 더 심각하게 나타나는 것으로 확인되었다.As shown, the distortion correction is better performed by the proposed method than the distortion correction by the conventional MAVRIC method, and the larger the offset frequency, the more serious the artifacts of the prior art appear than the proposed method. It was confirmed.
도 8은 본 발명의 일 실시예에 따른 자기공명영상의 왜곡 보정 방법을 설명하기 위한 흐름도이다. 도 8을 참조하여, 도 3에서 설명한 학습 방법을 통해 학습한 영상 보정 모델을 이용하여 대상체에 가해진 리드아웃 그라디언트에 의해 왜곡된 자기공명영상을 보정하는 방법에 대해 설명한다. 8 is a flowchart illustrating a distortion correction method of a magnetic resonance image according to an exemplary embodiment of the present invention. Referring to FIG. 8, a method of correcting a magnetic resonance image distorted by a readout gradient applied to an object using an image correction model learned through the learning method described with reference to FIG. 3 will be described.
대상체에 대한 자기공명신호 획득 과정에서, 두 방향의 리드아웃 그라디언트에 의한 복수의 자기공명영상을 획득한다(S801). 본 실시예에서, 대상체 내부에는 자기장 분포에 영향을 미치는 물질 예컨대, 금속 임플란트가 있으므로, 리드아웃 그라디언트를 가하여 획득된 자기공명영상에는 왜곡이 발생하게 된다. 두 방향의 리드아웃 그라디언트에 의해 서로 다른 왜곡 정보를 포함하는 두 개의 자기공명영상을 획득할 수 있다. 과정 S801은 영상 보정 모델에서 출력을 얻기 위한 입력 자기공명영상을 획득하는 과정으로, 영상 보정 모델이 학습한 데이터에 기반하여 다른 방식으로 이루어질 수도 있다.In the process of acquiring the magnetic resonance signal for the object, a plurality of magnetic resonance images by the readout gradient in two directions are obtained (S801). In the present embodiment, since there is a material that affects the magnetic field distribution, for example, a metal implant, inside the object, distortion occurs in the magnetic resonance image obtained by applying the readout gradient. Two magnetic resonance images including different distortion information may be acquired by readout gradients in two directions. Process S801 is a process of acquiring an input magnetic resonance image for obtaining an output from the image correction model, and may be performed in another manner based on the data learned by the image correction model.
복수의 리드아웃 그라디언트에 의해 왜곡된 복수의 영상으로부터 왜곡이 없는 영상을 출력하도록 학습된 신경망 기반의 영상 보정 모델에 기초하여, 과정 S801에서 획득한 영상으로부터 왜곡이 보정된 자기공명영상을 출력한다(S802). 영상 보정 모델은 왜곡 영상들을 입력받아 왜곡이 없는 영상을 출력하도록 학습하였으므로, 과정 S801에서 획득한 왜곡 자기공명영상으로부터 왜곡이 없는 자기공명영상을 출력할 수 있다. Based on the neural network-based image correction model trained to output an image without distortion from the plurality of images distorted by the plurality of readout gradients, the magnetic resonance image corrected for distortion is output from the image acquired in step S801 ( S802). Since the image correction model is trained to receive distortion images and output an image without distortion, the image correction model may output a magnetic resonance image without distortion from the distortion magnetic resonance image obtained in step S801.
본 실시예는, 물질에 의해 유발된 자기장의 분포 변화와 그에 따라 발생하는 영상 왜곡을 제거하기 위해, 신경망 기반의 학습 모델을 이용한 왜곡 보정 방법을 제안한다. 자기장 분포에 영향을 미치는 물질을 포함하고 있는 대상체에서 왜곡이 없는 자기공명영상을 얻기 위하여, 대상체에 복수의 리드아웃 그라디언트를 가하여 의도적으로 복수의 왜곡된 영상을 획득하고 이를 신경망 기반의 영상 보정 모델에 입력하여 왜곡이 없는 영상을 출력하는 방식을 통해 자기공명영상의 왜곡을 보정할 수 있다.This embodiment proposes a distortion correction method using a neural network-based learning model to remove a distribution change of a magnetic field caused by a substance and an image distortion that occurs. In order to obtain a magnetic resonance image without distortion in an object containing a substance affecting the magnetic field distribution, a plurality of readout gradients are intentionally obtained from the object to obtain a plurality of distorted images, and the image correction model is based on a neural network. The distortion of the magnetic resonance image may be corrected by inputting and outputting an image without distortion.
영상 보정 모델이 이용하는 학습 데이터는 실제 자기공명영상을 이용하는 것이 현실적으로 불가능 하기 때문에, 모의실험 데이터를 생성하여 학습하고, 실제 적용 시에는 alternating readout gradients로 두 번 영상을 얻어 학습된 모델에 적용시켜 영상으로부터 왜곡을 보정한다. Since the training data used by the image correction model is not practically possible to use a magnetic resonance image, simulation data are generated and learned, and in actual application, two images are obtained by alternating readout gradients and applied to the trained model. Correct the distortion.
또한, 본 실시예는 다중 오프셋 주파수에서 자기공명신호를 획득하고, 각 주파수 대역별로 복수의 리드아웃 그라디언트에 의한 복수의 자기공명영상을 획득하는 방식을 통해 multispectral 복원 방법에도 적용 가능하다.In addition, the present embodiment is applicable to a multispectral reconstruction method by acquiring a magnetic resonance signal at multiple offset frequencies and obtaining a plurality of magnetic resonance images by a plurality of readout gradients for each frequency band.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.The above description is merely illustrative of the technical idea of the present embodiment, and those skilled in the art to which the present embodiment belongs may make various modifications and changes without departing from the essential characteristics of the present embodiment. Therefore, the present embodiments are not intended to limit the technical idea of the present embodiment but to describe the present invention, and the scope of the technical idea of the present embodiment is not limited by these embodiments. The scope of protection of the present embodiment should be interpreted by the following claims, and all technical ideas within the scope equivalent thereto should be construed as being included in the scope of the present embodiment.
전술한 바와 같이, 도 3 및 도 8에 기재된 방법은 프로그램으로 구현되고 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다. 본 발명의 일 실시예에 따른 유사 수학문제 검색방법을 구현하기 위한 프로그램이 기록되고 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 이러한 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등을 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다. 또한, 본 실시예를 구현하기 위한 기능적인(Functional) 프로그램, 코드 및 코드 세그먼트들은 본 실시예가 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있을 것이다.As described above, the method described in FIGS. 3 and 8 may be implemented in a program and recorded on a computer-readable recording medium. A computer-readable recording medium having recorded thereon a program for implementing a method for searching for similar mathematical problems according to an embodiment of the present invention includes all kinds of recording devices storing data that can be read by a computer system. Examples of such computer-readable recording media include ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage device, and the like. The computer readable recording medium can also be distributed over network coupled computer systems so that the computer readable code is stored and executed in a distributed fashion. Also, functional programs, codes, and code segments for implementing the present embodiment may be easily inferred by programmers in the art to which the present embodiment belongs.
100: 자기공명영상 장치100: magnetic resonance imaging apparatus
Claims (15)
대상체에 대한 자기공명신호 획득 과정에서, 복수의 리드아웃 그라디언트에 의한 복수의 자기공명영상을 획득하는 과정;
상기 복수의 리드아웃 그라디언트에 의해 왜곡된 복수의 영상으로부터 왜곡이 없는 영상을 출력하도록 학습된 신경망 기반의 영상 보정 모델에 기초하여, 상기 복수의 자기공명영상으로부터 왜곡이 보정된 자기공명영상을 출력하는 과정
을 포함하는 자기공명영상의 왜곡 보정 방법.In the method for correcting the distortion of the magnetic resonance image due to field inhomogeneities,
In the process of obtaining a magnetic resonance signal for the object, the process of obtaining a plurality of magnetic resonance images by a plurality of readout gradients;
Outputting a magnetic resonance image corrected for distortion from the plurality of magnetic resonance images based on a neural network based image correction model trained to output an image without distortion from the plurality of images distorted by the plurality of readout gradients. process
Distortion correction method of the magnetic resonance image comprising a.
상기 복수의 리드아웃 그라디언트는, 제1 리드아웃 그라디언트 및 제2 리드아웃 그라디언트를 포함하고,
상기 제1 리드아웃 그라디언트 및 상기 제2 리드아웃 그라디언트는 서로 다른 극성을 갖는 것을 특징으로 하는, 자기공명영상의 왜곡 보정 방법.The method of claim 1,
The plurality of readout gradients include a first readout gradient and a second readout gradient,
The first readout gradient and the second readout gradient have a different polarity, characterized in that the distortion correction method of the magnetic resonance image.
상기 영상 보정 모델은, 임의의 물질의 자화율(susceptibility)에 따라 계산된 필드 맵을 이용하여 미리 생성된 학습 데이터를 학습한 모델이고,
상기 학습 데이터는,
상기 제1 리드아웃 그라디언트에 의한 제1 왜곡 영상 및 상기 제2 리드아웃 그라디언트에 의한 제2 왜곡 영상을 포함하는 입력 데이터; 및
리드아웃 그라디언트에 의한 왜곡이 없는 영상을 포함하는 출력 데이터
를 포함하는 것을 특징으로 하는 자기공명영상의 왜곡 보정 방법.The method of claim 2,
The image correction model is a model trained on previously generated training data using a field map calculated according to the susceptibility of an arbitrary material.
The learning data,
Input data including a first distorted image by the first readout gradient and a second distorted image by the second readout gradient; And
Output data including images without distortion due to leadout gradients
Distortion correction method of the magnetic resonance image, characterized in that it comprises a.
상기 복수의 자기공명영상을 획득하는 과정은,
다중 오프셋 주파수에서 상기 자기공명신호를 획득하고, 각 주파수 대역별로 상기 복수의 리드아웃 그라디언트에 의한 복수의 자기공명영상을 획득하는 것을 특징으로 하는, 자기공명영상의 왜곡 보정 방법.The method of claim 1,
The process of acquiring the plurality of magnetic resonance images,
Obtaining the magnetic resonance signal at a multiple offset frequency, and a plurality of magnetic resonance images by the plurality of readout gradients for each frequency band, characterized in that the distortion correction method of the magnetic resonance image.
대상체에 대한 자기공명신호 획득 과정에서, 복수의 리드아웃 그라디언트에 의한 복수의 자기공명영상을 획득하는 영상정보획득부; 및
상기 복수의 리드아웃 그라디언트에 의해 왜곡된 복수의 영상으로부터 왜곡이 없는 영상을 출력하도록 학습된 신경망 기반의 영상 보정 모델에 기초하여, 상기 복수의 자기공명영상으로부터 왜곡이 보정된 자기공명영상을 출력하는 영상처리부
를 포함하는 자기공명영상 장치.In a magnetic resonance imaging apparatus for correcting the distortion of the magnetic resonance image due to magnetic field heterogeneity,
In the process of acquiring a magnetic resonance signal for the object, Image information acquisition unit for obtaining a plurality of magnetic resonance images by a plurality of readout gradients; And
Outputting a magnetic resonance image corrected for distortion from the plurality of magnetic resonance images based on a neural network based image correction model trained to output an image without distortion from the plurality of images distorted by the plurality of readout gradients. Image processor
Magnetic resonance imaging apparatus comprising a.
상기 복수의 리드아웃 그라디언트는, 제1 리드아웃 그라디언트 및 제2 리드아웃 그라디언트를 포함하고,
상기 제1 리드아웃 그라디언트 및 상기 제2 리드아웃 그라디언트는 서로 다른 극성을 갖는 것을 특징으로 하는, 자기공명영상 장치.The method of claim 5,
The plurality of readout gradients include a first readout gradient and a second readout gradient,
And the first readout gradient and the second readout gradient have different polarities.
상기 영상 보정 모델은, 임의의 물질의 자화율에 따라 계산된 필드 맵을 이용하여 미리 생성된 학습 데이터를 학습한 모델이고,
상기 학습 데이터는,
상기 제1 리드아웃 그라디언트에 의한 제1 왜곡 영상 및 상기 제2 리드아웃 그라디언트에 의한 제2 왜곡 영상을 포함하는 입력 데이터; 및
리드아웃 그라디언트에 의한 왜곡이 없는 영상을 포함하는 출력 데이터
를 포함하는 것을 특징으로 하는 자기공명영상 장치.The method of claim 6,
The image correction model is a model trained on previously generated training data using a field map calculated according to the susceptibility of an arbitrary material,
The learning data,
Input data including a first distorted image by the first readout gradient and a second distorted image by the second readout gradient; And
Output data including images without distortion due to leadout gradients
Magnetic resonance imaging apparatus comprising a.
상기 영상정보획득부는,
다중 오프셋 주파수에서 상기 자기공명신호를 획득하고, 각 주파수 대역별로 상기 복수의 리드아웃 그라디언트에 의한 복수의 자기공명영상을 획득하는 것을 특징으로 하는, 자기공명영상 장치.The method of claim 5,
The image information acquisition unit,
Obtaining the magnetic resonance signal at a multiple offset frequency, characterized in that for obtaining a plurality of magnetic resonance images by the plurality of readout gradients for each frequency band, magnetic resonance imaging apparatus.
임의의 물질의 자화율에 따라 필드 맵을 계산하여 생성하는 과정;
원본 영상에 상기 필드 맵을 고려하여 복수의 리드아웃 그라디언트에 의해 서로 다른 왜곡 정보를 갖는 복수의 왜곡 영상을 획득하는 과정;
상기 원본 영상에 리드아웃 그라디언트 없이 상기 필드 맵을 고려한 위상 인코딩만을 수행하여 왜곡이 없는 영상을 획득하는 과정; 및
상기 복수의 왜곡 영상에서 영상 특징을 추출하고, 추출한 영상 특징을 기초로 상기 왜곡이 없는 영상을 출력하도록 인공신경망 기반의 영상 보정 모델을 학습시키는 과정
을 포함하는 자기공명영상의 왜곡 보정을 위한 학습 방법.In the learning method for correcting the distortion of the magnetic resonance image by the magnetic field heterogeneity,
Calculating and generating a field map according to the susceptibility of any material;
Acquiring a plurality of distortion images having different distortion information by a plurality of readout gradients in consideration of the field map in the original image;
Obtaining a distortion-free image by performing only phase encoding considering the field map without a readout gradient to the original image; And
Extracting image features from the plurality of distorted images and learning an artificial neural network based image correction model to output the image without distortion based on the extracted image features
Learning method for the distortion correction of the magnetic resonance image comprising a.
상기 복수의 리드아웃 그라디언트는, 제1 리드아웃 그라디언트 및 제2 리드아웃 그라디언트를 포함하고,
상기 제1 리드아웃 그라디언트 및 상기 제2 리드아웃 그라디언트는 서로 다른 극성을 갖는 것을 특징으로 하는, 자기공명영상의 왜곡 보정을 위한 학습 방법.The method of claim 9,
The plurality of readout gradients include a first readout gradient and a second readout gradient,
The first readout gradient and the second readout gradient have a different polarity, the learning method for the distortion correction of the magnetic resonance image.
상기 복수의 왜곡 영상을 획득하는 과정 및 상기 왜곡이 없는 영상을 획득하는 과정은,
다중 오프셋 주파수 환경에서, 각 주파수 대역별로 상기 복수의 리드아웃 그라디언트에 의한 복수의 왜곡 영상 및 상기 왜곡이 없는 영상을 획득하는 것을 특징으로 하는, 자기공명영상의 왜곡 보정을 위한 학습 방법.The method of claim 9,
Acquiring the plurality of distortion images and acquiring the distortion-free images include
In a multi-offset frequency environment, a plurality of distortion images by the plurality of readout gradients and the image free of the distortion for each frequency band, characterized in that the learning method for distortion correction of the magnetic resonance image.
상기 영상 보정 모델을 학습시키는 과정은,
상기 왜곡 영상 및 상기 왜곡이 없는 영상에서 일부분을 추출하여 상기 영상 보정 모델을 학습시키는 것을 특징으로 하는, 자기공명영상의 왜곡 보정을 위한 학습 방법.The method of claim 9,
The process of training the image correction model,
And extracting a portion from the distorted image and the distorted image to train the image correction model.
상기 필드 맵을 계산하여 생성하는 과정은,
상기 물질의 침식, 팽창 또는 회전을 고려하여 하나의 물질에 대해 다양한 필드 맵을 생성하는 것을 특징으로 하는 자기공명영상의 왜곡 보정을 위한 학습 방법.The method of claim 9,
The process of calculating and generating the field map,
Learning method for the distortion correction of the magnetic resonance image, characterized in that for generating various field maps for one material in consideration of erosion, expansion or rotation of the material.
대상체에 대한 자기공명신호 획득 과정에서, 복수의 리드아웃 그라디언트에 의한 복수의 자기공명영상을 획득하는 과정;
상기 복수의 리드아웃 그라디언트에 의해 왜곡된 복수의 영상으로부터 왜곡이 없는 영상을 출력하도록 학습된 신경망 기반의 영상 보정 모델에 기초하여, 상기 복수의 자기공명영상으로부터 왜곡이 보정된 자기공명영상을 출력하는 과정
을 수행하도록 하는 명령어들을 포함하는 컴퓨터 프로그램.A computer program for generating a scenario recorded on a computer readable recording medium including computer program instructions executable by a processor, the computer program when executed by a processor of the computing device,
In the process of obtaining a magnetic resonance signal for the object, the process of obtaining a plurality of magnetic resonance images by a plurality of readout gradients;
Outputting a magnetic resonance image corrected for distortion from the plurality of magnetic resonance images based on a neural network based image correction model trained to output an image without distortion from the plurality of images distorted by the plurality of readout gradients. process
A computer program comprising instructions for performing the operation.
임의의 물질의 자화율에 따라 필드 맵을 계산하여 생성하는 과정;
원본 영상에 상기 필드 맵을 고려하여 복수의 리드아웃 그라디언트에 의해 서로 다른 왜곡 정보를 갖는 복수의 왜곡 영상을 획득하는 과정;
상기 원본 영상에 리드아웃 그라디언트 없이 상기 필드 맵을 고려한 위상 인코딩만을 수행하여 왜곡이 없는 영상을 획득하는 과정; 및
상기 복수의 왜곡 영상에서 영상 특징을 추출하고, 추출한 영상 특징을 기초로 상기 왜곡이 없는 영상을 출력하도록 인공신경망 기반의 영상 보정 모델을 학습시키는 과정
을 수행하도록 하는 명령어들을 포함하는 컴퓨터 프로그램.A computer program for generating a scenario recorded on a computer readable recording medium including computer program instructions executable by a processor, the computer program when executed by a processor of the computing device,
Calculating and generating a field map according to the susceptibility of any material;
Acquiring a plurality of distortion images having different distortion information by a plurality of readout gradients in consideration of the field map in the original image;
Obtaining a distortion-free image by performing only phase encoding considering the field map without a readout gradient to the original image; And
Extracting image features from the plurality of distorted images and learning an artificial neural network based image correction model to output the image without distortion based on the extracted image features
A computer program comprising instructions for performing the operation.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170184352A KR102027773B1 (en) | 2017-12-29 | 2017-12-29 | Method and apparatus for correction of a distortion in MR image |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170184352A KR102027773B1 (en) | 2017-12-29 | 2017-12-29 | Method and apparatus for correction of a distortion in MR image |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190081656A KR20190081656A (en) | 2019-07-09 |
| KR102027773B1 true KR102027773B1 (en) | 2019-10-02 |
Family
ID=67260921
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170184352A KR102027773B1 (en) | 2017-12-29 | 2017-12-29 | Method and apparatus for correction of a distortion in MR image |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102027773B1 (en) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102259846B1 (en) * | 2018-07-03 | 2021-06-03 | 가천대학교 산학협력단 | Gradient field error correcting system using machine learning for magnetic resonance images and method thereof |
| KR102215902B1 (en) * | 2019-09-16 | 2021-02-17 | 한국과학기술원 | Method of correcting an image and apparatuses performing the same |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101359206B1 (en) | 2013-01-18 | 2014-02-07 | 연세대학교 산학협력단 | Method and apparatus for eliminating noise in magnetic resonance images |
| KR101659578B1 (en) | 2015-09-01 | 2016-09-23 | 삼성전자주식회사 | Method and apparatus for processing magnetic resonance imaging |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100097858A (en) * | 2009-02-27 | 2010-09-06 | 홍익대학교 산학협력단 | Super-resolution using example-based neural networks |
| KR101070981B1 (en) * | 2009-11-05 | 2011-10-06 | 홍익대학교 산학협력단 | Image Enhancement Method Using Neural Network Model Based on Edge Component Classification |
| KR101284388B1 (en) * | 2011-10-26 | 2013-07-09 | 연세대학교 산학협력단 | Method and apparatus for analyzing magnetic resonance imaging, and recording medium for executing the method |
| KR101773617B1 (en) * | 2011-10-28 | 2017-09-01 | 가천의과학대학교 산학협력단 | Method and MRI device for correcting distortion in an EPI image |
| KR101340944B1 (en) * | 2011-12-21 | 2013-12-13 | 한국과학기술원 | Parallel mr imaging method for radial trajectory |
-
2017
- 2017-12-29 KR KR1020170184352A patent/KR102027773B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101359206B1 (en) | 2013-01-18 | 2014-02-07 | 연세대학교 산학협력단 | Method and apparatus for eliminating noise in magnetic resonance images |
| KR101659578B1 (en) | 2015-09-01 | 2016-09-23 | 삼성전자주식회사 | Method and apparatus for processing magnetic resonance imaging |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20190081656A (en) | 2019-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111513716B (en) | Method and system for magnetic resonance image reconstruction using an extended sensitivity model and a deep neural network | |
| Chen et al. | Deep learning for image enhancement and correction in magnetic resonance imaging—state-of-the-art and challenges | |
| US10852376B2 (en) | Magnetic resonance imaging method and device | |
| EP3749973B1 (en) | Multi-resolution quantitative susceptibility mapping with magnetic resonance imaging | |
| KR101939642B1 (en) | System and method for motion resolved mri | |
| US12000918B2 (en) | Systems and methods of reconstructing magnetic resonance images using deep learning | |
| US11448717B2 (en) | Method and deep quantitative susceptibility mapping (QSM) | |
| JP2023513801A (en) | MAGNETIC RESONANCE PROCESSING APPARATUS AND METHOD THEREOF | |
| JP5591687B2 (en) | Image processing method | |
| CN103901377B (en) | The plural number in the spaces Q- for being detected while relevant and incoherent movement is rebuild | |
| KR102428725B1 (en) | Method and program for imaging quality improving | |
| KR102584166B1 (en) | MAGNETIC RESONANCE IMAGE PROCESSING APPARATUS AND METHOD USING ARTIFICIAL NEURAL NETWORK AND RESCAlING | |
| US9274197B2 (en) | Magnetic resonance imaging data sampling methods and systems | |
| KR102027773B1 (en) | Method and apparatus for correction of a distortion in MR image | |
| CA3148617A1 (en) | Systems and methods of deep learning for large-scale dynamic magnetic resonance image reconstruction | |
| US10175328B2 (en) | System and method for reconstructing ghost-free images from data acquired using simultaneous multislice magnetic resonance imaging | |
| EP4019996A1 (en) | Deep learning systems and methods of removal of truncation artifacts in magnetic resonance images | |
| Esteban et al. | Simulation-based evaluation of susceptibility distortion correction methods in diffusion MRI for connectivity analysis | |
| WO2015164701A1 (en) | Systems and methods for fast multi-contrast magnetic resonance imaging | |
| Segers et al. | Discrete tomography in MRI: a simulation study | |
| Kochan et al. | Simulated field maps for susceptibility artefact correction in interventional MRI | |
| US20240345193A1 (en) | Systems and methods for magnetic resonance imaging | |
| KR102572311B1 (en) | Magnetic resonance image processing apparatus and method using artificial neural network and substitute map | |
| Ito et al. | Deep-learning-based Magnetic Resonance Simultaneous Multislice Imaging Using Holographic Image Decoding | |
| García Suárez et al. | Compressed Sensing Techniques Applied to Medical Images Obtained with Magnetic Resonance |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |