논문 상세보기
Image Quality Evaluation of T2-PROPELLER and T2-FSE with Deep Learning Using a ACR Phantom with Simulated Motion KCI 등재
딥러닝 프로세스가 적용된 T2-PROPELLER 와 T2-FSE 의 화질 평가: 모션 ACR 팬텀을 활용하여
pp.23-30
최근 딥러닝은 자기공명영상 검사에서의 화질 개선을 위해 다양하게 활용되고 있다. 하지만 다양한 자기공명영상 검사에서 딥러닝이 적용된 기법과 상황에 대한 평가는 부족한 편이다. 이에 본 연구에서는 모션 ACR(American College of Radiology) 팬텀을 활용하여 일반적인 상황과 움직이는 상황에서 T2-PROPELLER(periodically, rotated overlapping parallel lines with enhanced reconstruction, PROPELLER)와 T2-FSE(fast spin echo, FSE) 기법의 화질을 비교 평가해 보고자 하였다. 연구 결과 움직이지 않는 상황에서의 딥러닝 프로세스를 적용하였을 때 유의미한 신호대잡음비와 대조대잡음비의 상승을 보였다. 하지만 팬텀에 움직임을 주는 동적인 상황 에서 딥러닝 프로세스를 적용하였을 때 유의미한 화질 개선을 보이지 않았다. 이러한 결과는 딥러닝 프로세스를 절대 적으로 사용하기보다 다양한 상황에 맞게 선택적으로 적용하는 것이 필요할 것으로 사료된다.
Recent advancements in deep learning have been widely applied to improve image quality in MRI examinations. However, comprehensive evaluations of the techniques and scenarios where deep learning is employed across various MRI exams remain limited. In this study, we compared and evaluated the image quality of T2-PROPELLER and T2-FSE techniques using a motion ACR phantom in typical and moving scenarios. Our findings revealed a significant increase in SNR and CNR when applying deep learning processes in static conditions. However, no significant improvements in image quality were observed when applying the deep learning process in dynamic situations where motion was introduced to the phantom. These results suggest that selective application of deep learning processes according to specific scenarios, rather than universal adoption, may be necessary.
대상 및 방법
1. 검사 장비
2. 실험 방법
3. 영상 분석 및 통계학적 분석 방법
결 과
1. 신호대잡음비(SNR), 대조도대잡음비(CNR) 분석 결과
2. 고대조도 공간분해능(High Contrast SpatialResolution)
고찰 및 결론
References
국 문 요 약
