논문 상세보기
Fat Fraction Accuracy Analysis of the T2-weighted Turbo Spin Echo Dixon Deep Learning Method KCI 등재
딥러닝 기반 T2 터보 스핀 에코 Dixon 기법의 지방분율에 대한 정확도 분석
pp.1-9
In this study, We aimed to confirm whether T2 Dixon DL method is capable of accurate fat saturation through the fat fraction analysis compared to T2 TSE fat saturation methods. So fat fraction of general T2 fat saturation methods and T2 Dixon DL method was quantitatively evaluated using the ACR phantom and liquid fat phantoms. As for the study method, 0, 10, 20 and 30% liquid fat phantoms were fixed in left side of ACR phantom and signal intensity value was measured at the center of each liquid fat phantoms. After that, the value was evaluated using the fat fraction formula. In fat fraction measurement of each liquid fat phantoms, T2 Dixon and Dixon DL method were found to be closest to the standard fat fraction than T2 fat saturation methods. And it was no significant difference between methods, so T2 Dixon DL method did not affect fat saturation. Therefore, T2 Dixon TSE DL method is considered to be useful because it can fat saturation with accurate fat fraction.
본 연구에서는 T2 터보 스핀 에코 지방 포화 기법 중 딥러닝 기반 T2 터보 스핀 에코 Dixon 기법에서 지방분율에 대한 분석을 통해 정확한 지방 포화가 이루어지는지 알아보고자 하였다. 이에 미국 방사선학회 인증 팬텀을 기준 팬텀으로 설정 하고, 액체 지방 팬텀을 이용하여 일반 T2 지방 포화 기법들과 딥러닝 기반 T2 Dixon 기법의 지방분율을 정량적으로 분석 하였다. 연구 방법은 기준 팬텀 3시 방향에 지방 함유율이 0, 10, 20, 30%인 액체 지방 팬텀을 고정하고, 기법별 액체 지방 팬텀 중심부의 신호강도 값을 도출하였다. 그리고 측정된 값을 지방분율 공식을 이용하여 수치화하였다. 연구 결과 각각의 액체 지방 팬텀의 지방분율 측정에서 T2 Dixon 딥러닝 기법과 Dixon 기법이 다른 일반 지방 포화 기법들과 비교해 기준 지방분율에 가장 근접하였다. 그리고 두 기법 간 통계적 차이는 없어 딥러닝 영상 재구성이 지방 포화에 영향을 미치 지 않음을 알 수 있었다. 따라서 딥러닝 기반 T2 터보 스핀 에코 Dixon 기법은 정확한 지방분율로 지방 포화를 할 수 있어 그 유용성이 있다고 생각한다.
Ⅱ. 대상 및 방법
1. 연구 장비 및 재료
2. 연구 방법
3. 통계적 분석 방법
Ⅲ. 결 과
1. 0% 액체 지방 팬텀 지방분율 측정
2. 10% 액체 지방 팬텀 지방분율 측정
3. 20% 액체 지방 팬텀 지방분율 측정
4. 30% 액체 지방 팬텀 지방분율 측정
Ⅳ. 고찰 및 결론
