MRI(Magnetic Resonance Imaging)는 자기장을 이용하여 인체 내의 수소에서 나오는 신호를 이용하여 인체의 단면을 영상화하는 장비입니다(MRI장비의 발명가인 Drs. Lauterbur와 Mansfield는 2003년 노벨의학상을 받았습니다). 특히 MRI는 자기장만을 이용하여 영상을 만들어 기존 영상기기(X-ray, CT, PET)가 가지는 방사선 피폭에 의한 위험 등으로부터 안전한 영상 장비입니다. MRI 촬영은 시스템의 자기장을 조작하여 인체 정보가 포함된 신호를 얻게 되는데 이렇게 얻은 정보는 영상정보가 아닌 영상의 주파수 정보(혹은 영상의 Fourier Transform된 정보)입니다(이 사실을 밝힌 Richard Ernst박사는 1991년 노벨 화학상을 받았습니다).
그림 1. MRI 시스템 및 MRI 뇌영상
MRI에서는 이와 같은 영상의 주파수 정보를 2차원 도메인(K-space)에 한 줄씩 획득하게 되고 이러한 데이터를 충분히 얻은 후(예: 256개의 줄, 각 줄당 256개의 점) 이를 Inverse Fourier Transform을 통하여 영상으로 만들게 됩니다. 이와 같이 영상으로 만드는 과정을 영상재구성(Reconstruction)이라 합니다.
그림 2. (a) 완전히 얻어진 주파수 도메인(K-space) 데이터, (b) (a) 데이터의 Inverse Fourier Transform한 결과영상, (c) (a)의 전체 데이터 중 격줄로 데이터를 0으로 채운 데이터, (d) (c) 데이터의 Inverse Fourier Transform한 결과영상. (d) 뇌영상의 경우 Aliasing이 발생한 것을 확인할 수 있다. 붉은색 화살표는 Lesion을 나타낸다.
만약 영상재구성 단계에서 만약 주파수 정보를 충분히 획득하지 않고 일부를 얻지 않게 되면 위의 그림과 같이 영상을 재구성하였을 때 일부분이 겹치게 되는 현상(Aliasing, Nyquist Sampling Theorem참조)이 발생하게 됩니다. 따라서 MRI촬영에 있어서 데이터를 충분히 획득하는 것은 중요한 일입니다. 하지만 각각의 K-space줄을 획득할 때 일반적으로 수초정도의 시간이 걸리게 되어서 많은 수의 줄을 획득하게 되면 MRI 촬영 시간이 늘어나게 됩니다. 이는 환자의 불편함을 증가시키고 MRI 촬영의 경제성이 떨어지게 됩니다(예: 초당 1줄 촬영시 256줄을 획득하기 위해서는 4분가량의 촬영이 필요함). 특히 MRI 촬영에서는 일반적으로 하나의 대조도의 영상(Image Contrast)이 아닌 다양한 대조도의 영상을 획득하여 진단에 활용할 수 있어 보통 30분이상의 촬영이 필요합니다
그림 3. 병원에서 일반적으로 사용되는 대조도 영상(왼쪽부터: T2영상, T1영상, Angiography, SWI영상). MRI의 다양한 대조도 영상은 질병에 대한 다른 정보를 포함하여 일반적으로 5-6 종류의 대조도 영상을 촬영하게 된다. 따라서 촬영시간이 30분이상으로 길다.
FastMRI는 기존보다 적은 데이터를 획득하여 MRI 촬영 시간을 단축하는 영상법을 말합니다. 특히 앞에서 기술한 데이터가 적어서 생기는 Aliasing 문제(그림 2(d))를 영상재구성 단계에서 고성능의 알고리즘을 이용하여 해결하여 다양한 방식들이 제안되어 왔습니다 (다중위상채널수신기를 활용한 영상재구성법 및 Compressed Sensing등이 주로 활용됨, 참고문헌 1, 2, 3).
그림 4. FastMRI의 결과 예시. 1/4 로 undersampled 된 데이터를 딥러닝을 이용해 기준 영상의 품질과 비슷한 수준으로 재구성한 영상
MRI 촬영은 일반적으로 30분 이상 소요되며 촬영 시간 동안 환자는 움직이지 않아야 합니다. 환자의 움직임은 영상의 질을 저하시켜 진단에 어려움을 줄 수 있고, 재촬영을 함으로써 발생하는 시간 지연은 의료비용의 증가를 초래합니다. 또한 MRI를 촬영하는 과정에서 발생하는 소음과 좁은 공간은 오랫동안 누워있는 환자에게 불편함과 불안함을 줄 수 있습니다. 특히 폐소공포증 환자, 소아 환자들은 MRI 촬영에 많은 어려움이 있습니다. 만약 기존의 MRI의 해상도를 유지하면서 검사 시간을 단축시킬 수 있다면 환자의 불편을 줄임으로써 좋은 영상을 얻을 수 있습니다. 또한, 속도 향상이 비용절감으로 이어져서 MRI 검사가 더 많은 사람들에게 확대 적용할 수 있을 것으로 예상합니다.
Deep Learning은 최근 다양한 영상처리분야에서 활용되어 놀라운 성능을 보여주었습니다. 의료영상 역시 예외가 아닙니다. 최근에는 Deep Learning을 기반으로 데이터의 일부만 사용하여 기존 MRI와 비슷한 품질의 영상을 재구성하는 연구가 활발하게 진행되어오고 있습니다(그림 4, 참고문헌 4). 이와 같이 Deep Learning은 FastMRI에 무한한 잠재력을 보여주고 있습니다.
본 Challenge에서는 Deep Learning기술을 이용하여 FastMRI 기술을 구현하는 것을 목표로 하고 있습니다. 본 Challenge를 위해서 필요한 MRI영상 데이터는 Challenge참가자에게 배포할 예정이고 참가자들은 이를 활용하여 자신의 팀만의 Deep Neural Network를 구성하여 데이터를 학습시킴으로써 고품질의 MRI영상을 얻어내는 것이 목표입니다. 자 그럼 굿럭!
참고문헌
1. SENSE: Sensitivity encoding for fast MRI, Magnetic Resonance In Medicine, Volume42, Issue5 Pages 952-962
2. Generalized autocalibrating partially parallel acquisitions (GRAPPA), Magnetic Resonance In Medicine, Volume47, Issue6, Pages 1202-1210
3. Sparse MRI: The application of compressed sensing for rapid MR imaging, Magnetic Resonance In Medicine, Volume58, Issue6, Pages 1182-1195Deep Learning Grappa
4. Deep-Learning Methods for Parallel Magnetic Resonance Imaging Reconstruction: A Survey of the Current Approaches, Trends, and Issues, IEEE Signal Processing Magazine, Volume 37, Issue 1, 2020