Liver DCE imaging uses the VIBE sequence, but previous research into conventional and deep-learning methods using AI is lacking. We therefore used image evaluation and examination direction and validity . The ACR phantom study was repeated 30 times. In the low contrast resolution evaluation area, SNR and CNR were evaluated using Syngovia View&Go. In the spatial resolution evaluation area, the height of signal intensity and FWHM were evaluated through MATLAB. For the patient study, Matrix 352 was set up based on the phantom study and tested on 30 patients. SNR and CNR were evaluated at the liver parenchyma, hepatic portal vein, and descending aorta. Spatial resolution was evaluated at the borders of the hepatic portal vein and descending aorta. The data were analyzed using a two-way ANOVA and a post-hoc analysis was performed using the Duncan test. The results revealed significant differences in the SNR and CNR of the phantom study under Matrix 416, while spatial resolution could not be evaluated under the conventional method Matrix 352 or the deep-learning method Matrix 288. The results of the patient study showed significant differences in SNR, CNR, and spatial resolution. The deep learning method improved the image more than the classical method, and the acquisition time was reduced by an average of 4 seconds (22.4%). When Matrix 352 was applied in the deep learning method, there was a decrease in reproducibility and respiration artifacts due to a reduction in scan time. Accordingly, we recommend applying Matrix size in the deep learning method.

간 동적 조영검사에 사용하고 있는 VIBE 시퀀스의 고식적인 방법과 딥러닝 방법에 관한 선행된 연구가 부족하여 영상의 평가와 검사의 방향성 및 타당성을 제시하고자 한다. ACR 팬텀 실험은 30회 반복 실험하였고, 저 대조도 분해능 평가영역 에서 syngo.via View&Go를 이용하여 신호대잡음비와 대조대잡음비를 평가하였고, 공간분해능 평가영역에서 MATLAB 을 통해 신호강도의 높이와 반치폭으로 공간 분해능을 평가했다. 팬텀 실험을 기준으로 Matrix 352를 설정하여 30명의 환자 실험을 했다. 간 실질, 간 문맥, 내림 대동맥에서 대조대잡음비를 평가했고, 공간 분해능은 간 문맥, 내림 대동맥의 경계면을 평가했다. 결과 분석은 이원배치 분산 분석으로 진행하고, 사후 분석은 Duncan을 사용했다. 통계분석은 정량적 으로 p-value 0.05 미만으로 유의한 것으로 판단했다. 팬텀 실험의 신호대잡음비와 대조대잡음비 결과는 Matrix 416 이하에서 유의하였으며, 공간분해능 결과는 고식적인 방법 Matrix 352 이하, 딥러닝 방법 288 이하에서 평가할 수 없었 다. 환자 실험 결과는 신호대잡음비, 대조대잡음비, 공간분해능 모두 유의했다. 본 연구는 고식적인 방법보다 딥러닝 방법 이 영상은 더 향상되었고, 획득 시간은 평균 4초(22.4%)가 단축되었다. 딥러닝 방법에서 Matrix 352를 적용하였을 때 검사 시간의 감소로 재현성과 호흡에 의한 인공물 감소가 있었다. 이에 딥러닝 방법에서 Matrix size 적용의 방향성을 제시할 수 있었다.

Ⅰ. 서 론
Ⅱ. 대상 및 방법
    1. 검사 장비 및 매개변수
    2. 실험 및 평가 방법
Ⅲ. 결 과
    1. 팬텀 실험 결과
    2. 환자 실험 결과
    3. 영상획득 시간
Ⅳ. 고찰 및 결론

• Chung-Seong Lee(Department of Radiology, Ewha Womans University Medical Center Mokdong, Seoul, Korea) | 이충성 (이대목동병원 영상의학과) Corresponding author
• In-Sung Back(Department of Radiology, Ewha Womans University Medical Center Mokdong, Seoul, Korea) | 백인성 (이대목동병원 영상의학과)
• Kyeong-Hwan Kim(Department of Radiology, Ewha Womans University Medical Center Mokdong, Seoul, Korea) | 김경환 (이대목동병원 영상의학과)
• Bo-Keol Kang(Department of Radiology, Ewha Womans University Medical Center Mokdong, Seoul, Korea) | 강보걸 (이대목동병원 영상의학과)