인공 고관절 치환술에 사용되는 금속 삽입물은 크기와 성분에 따라 주변 조직과 크고 작은 자화율의 차이를 일으켜 다양한 금속 인공물의 원인이 되며, 영상에 진단적 가치를 떨어뜨린다. 수신대역폭을 높이는 것은 인공물 감소에 효과가 있으나, 높은 수신대역폭은 획득 영상의 신호대잡음비를 감소시키는 단점이 있어 일정 수치 이상으로는 적용 하기에는 어려움이 있다. 딥러닝 알고리즘은 영상의 신호대잡음비를 높이고 전체 영상에서 균일하게 배경 잡음을 제거하는 데 매우 효과적이다. 이에 본 연구에서는 금속 인공물 감소를 위해 기존에 높은 수신대역폭을 이용하는 MARS(metal artifact reduction sequence) 프로토콜과 더욱 높은 수신대역폭을 설정한 프로토콜(Ultra MARS) 을 획득한 후 딥러닝을 이용하여 딥러닝 Ultra MARS로 변환한 후에 금속 인공물의 차이를 비교하였다. 딥러닝 적 용 후 Ultra MARS에서 적용 전 또는 기존의 MARS 기법보다 인공물의 크기가 작게 측정이 되었다. 또한, 인공물의 전체적인 SSIM(structural similarity index measure)에서도 기존의 MARS 기법보다 전체면적이 작게 측정되었 다. 더 나아가 SSIM의 결과 딥러닝 적용 전후의 구조적 유사성 역시 유사하게 나왔다. 딥러닝 알고리즘을 기존에 인공물을 줄이기 위해 사용하는 MARS와 같은 기법에서도 월등하게 높은 수치를 사용하는 강조영상을 획득 가능하 며 영상의 인공물도 줄이며, 영상의 대조도 또한 유지되는 영상을 제공할 수 있을 것으로 사료된다.

Depending on their size and composition, metal inserts used in artificial hip replacements cause magnetization differences with the surrounding tissues, resulting in a variety of metallic artifacts which reduce the diagnostic value of the image. Increasing the reception bandwidth is effective in reducing artifacts, but high-reception bandwidth has the disadvantage of reducing the signal-to-noise ratio of the acquired image; hence, it is difficult to apply it beyond a certain value. Deep learning algorithms are highly effective in increasing the signal-to-noise ratio of the image and uniformly removing background noise across the entire image. In this study, we compared the difference in metal artifacts after acquiring a MARS (metal artifact reduction sequence) protocol that uses a conventional high bandwidth to reduce metal artifacts and a protocol that sets a higher bandwidth (Ultra MARS) and then converted this into a deep learning Ultra MARS using deep learning. After applying deep learning, Ultra MARS measured smaller artifacts than before or with conventional MARS. The overall signal intensity of the artifacts was also smaller than that of the conventional MARS technique. Moreover, SSIM (structural similarity index measure) revealed that the structural similarity before and after applying deep learning was similar. Thus, deep learning algorithms can be used in techniques such as MARS in order to reduce artifacts and it is possible to obtain highlight images with significantly higher values that reduce artifacts while maintaining image contrast.

서 론
대상 및 방법 / 영상평가
    1. 팬텀 연구
    2. 실험 방법 및 매개변수
    3. 영상 분석 및 통계적 분석
결 과
    1. SSIM(structural similarity index measure)
    2. SAM(susceptibility artifact measurement)
    3. 부위별 면적 측정
고찰 및 결론
감사의 글
References

• Kwan-woo Choi(Department of Radiotechnology, Wonkwang Health Science University, Iksan, Korea) | 최관우 (원광보건대학교 방사선과) Corresponding author