자기공명(magnetic resonance, MR)영상에서 주로 발생하는 Rician 노이즈는 영상의 화질을 저하하는 주요 요소 중의 하나이다. 본 연구에서는 노이즈 제거에 효율적이라고 잘 알려진 총변이(total variation, TV) 알고리즘을 모 델링하여 Rician 노이즈 레벨에 따른 파라미터를 최적화하고자 한다. 시스템은 8채널 기반의 3.0 T 장치를 활용하였 고 물 팬텀 영상을 획득하여 각각 Rician 노이즈를 0.05, 0.10, 0.15, 그리고 0.20 값을 부가하였다. TV 알고리즘 은 Rudin-Osher-Fatemi 모델을 기반으로 모델링하였고 최적화를 수행하기 위하여 반복수 파라미터를 조정하여 획득된 영상에 적용하였다. 결과적으로 Rician 노이즈 레벨을 0.05, 0.10, 0.15, 그리고 0.20을 사용하였을 때 각 각 30, 40, 80, 그리고 120 반복수를 기반으로 한 TV 노이즈 알고리즘에서 가장 우수한 신호 대 잡음비(signal to noise ratio, SNR)와 대조도 대 잡음비(contrast to noise ratio, CNR) 결괏값이 도출되었다. 또한, 최적화된 반복수를 적용한 TV 알고리즘을 사용한 MR 영상에서 기존의 위너 및 중간값 필터를 사용하였을 때 비하여 SNR과 CNR 모두 우수한 값을 획득할 수 있었다. 특히 기본적으로 획득된 MR 영상보다 최적화된 TV 알고리즘을 적용한 영상의 평균 SNR과 CNR은 각각 3.11 및 3.31배 향상됨이 증명되었다. 결론적으로, 노이즈 제거 효율이 우수한 TV 알고리즘의 최적화된 파라미터를 활용한다면 MR 영상에서의 활용 가능성이 클 것으로 기대한다.

Rician noise, which primarily occurs during magnetic resonance (MR) imaging, is a key factor in reducing image quality. In this study, we optimized the parameters of the total variation (TV) algorithm which is efficient in terms of noise reduction as a function of the Rician noise level. We acquired water phantom images and added Rician noise values of 0.05, 0.10, 0.15, and 0.20. The modeling of the TV algorithm was based on the Rudin–Osher–Fatemi model. The number of iterations was adjusted for optimization and applied to the acquired images. With Rician noise levels of 0.05, 0.10, 0.15, and 0.20, the algorithm achieved excellent signal-to-noise ratios (SNRs) and contrast-to-noise ratios (CNRs) at iteration counts of 30, 40, 80, and 120, respectively. Additionally, for the MR images obtained using the TV algorithm with an optimized number of iterations, superior values for SNR and CNR were obtained compared with those obtained using conventional Wiener and median filters. Most notably, the average SNR and CNR of the images using the optimized TV algorithm improved by 3.11 and 3.31 times, respectively, compared with those of the acquired MR images. The optimized parameters of the TV algorithm will therefore be extremely useful in MR imaging.

Introduction
Materials and Methods
    1. Magnetic resonance image acquisition
    2. Total variation noise reduction algorithm modeling
    3. Quantitative evaluations of image quality
Results
Discussion and Conclusion
References

• Seong-Hyeon Kang(Department of Biomedical Engineering, Eulji University) | 강성현 (을지대학교 의료공학과)
• Youngjin Lee(Department of Radiological Science, Gachon University) | 이영진 (가천대학교 방사선학과) Corresponding author