본 연구의 목적은 자기공명영상(magnetic resonance imaging, MRI) 기술의 역사적 발전 과정을 분석하고, 인공 지능(Artificial Intelligence, AI)과 초고자장(Ultra-High Field, UHF) 시스템에 의해 주도되는 차세대 MRI 기술 로의 패러다임 전환을 고찰하여 향후 발전 방향을 제시하는 데 있다. 연구 방법으로는 1991년부터 2025년까지 대한 자기공명기술학회(KSMRT) 학회지에 게재된 총 734편의 학술 논문을 주요 분석 대상으로 선정하였으며, 기술 발전 과정을 제1단계 하드웨어 중심기(1991–2005), 제2단계 물리 및 신호처리 중심기(2005–2020), 제3단계 AI 정의 혁신기(2020–현재), 제4단계 차세대 지능형 융합기(2026–)의 네 단계로 구분하였다. 이를 기반으로 문헌 고찰, 기술 속성 비교 분석, 미래 동향 예측을 수행하였다. 분석 결과, MRI 기술은 물리적 하드웨어 성능 향상 중심에서 소프트 웨어 알고리즘 및 AI 기반 지능형 시스템 중심으로의 뚜렷한 패러다임 전환을 보였다. 특히 제3단계 이후 도입된 딥러닝 기반 재구성(deep learning reconstruction, DLR) 기술은 기존 방식 대비 재구성 속도와 영상 충실도 측면 에서 우수한 성능을 나타냈다. 또한 데이터 획득 방식은 full sampling에서 intelligent undersampling으로 발전 하였으며, 영상 재구성은 분석적 방법에서 학습 기반 모델로 전환되었다. 이에 따라 영상 품질의 주요 결정 요인 역시 하드웨어 사양에서 소프트웨어 알고리즘으로 이동하였다. 향후 차세대 MRI는 7T 이상의 초고자장 하드웨어와 물리 법칙 기반 인공지능(physics-informed neural networks, PINN)이 통합된 고도 자동화 또는 반자율 진단 시스템으로 발전할 것으로 예상된다. 이러한 기술 발전은 검사 시간 단축, 워크플로우 자동화, 실시간 영상화 등을 가능하게 하여 임상 효율성을 향상시키고 정밀의료 발전에 기여할 것으로 기대된다. 결론적으로, AI 기반 MRI 기술 의 성공적인 임상 적용을 위해서는 임상적 신뢰성 확보와 표준화에 대한 지속적인 연구가 필요하다.

The purpose of this study was to analyze the historical evolution of magnetic resonance imaging (MRI) technology and to examine the paradigm shift toward next-generation MRI technologies driven by artificial intelligence (AI) and ultra-high field (UHF) systems, thereby suggesting future directions for technological advancement. For the research methodology, a total of 734 academic papers published in the Journal of the Korean Society of Magnetic Resonance Technology (KSMRT) between 1991 and 2025 were selected as the primary subjects of analysis. The technological evolution of MRI was classified into four phases: Phase 1, the hardware-oriented era (1991–2005); Phase 2, the physics and signal processing era (2005–2020); Phase 3, the AI-driven innovation era (2020–Present); and Phase 4, the next-generation intelligent convergence era (2026–Future). Based on this framework, a literature review, comparative analysis of technological characteristics, and prediction of future trends were conducted. The analysis suggests a gradual transition in MRI technology from hardware-oriented development toward software and AI-assisted approaches. In particular, deep learning reconstruction (DLR) technology introduced after Phase 3 showed superior performance in terms of reconstruction speed and image fidelity compared with conventional approaches. Furthermore, data acquisition methods evolved from full sampling to intelligent undersampling, while image reconstruction transitioned from analytical methods to learning-based models. As a result, the primary determinants of image quality shifted from hardware specifications to software algorithms. Future MRI systems may evolve toward semi-automated diagnostic environments integrating ultra-high-field hardware and AI-assisted reconstruction frameworks, including physics-informed neural network (PINN) approaches. These technological advances are anticipated to improve clinical efficiency and contribute to the advancement of precision medicine by enabling shorter examination times, workflow automation, and real-time imaging. In conclusion, continuous research on clinical reliability and standardization is essential for the successful clinical implementation of AI-based MRI technologies.

Abstract
Introduction
Study Methods
    1. Study design
    2. Analysis data
    3. Classification of study methodology and analysisframework by technical domain
Results
    1. Evolution of MRI technology paradigms by period
    2. Analysis of characteristics by MRI technologyparadigm
    3. Analysis of changes in MRI technical components
    4. Phase 4: future of next-generation intelligentconvergence (2026-)
Discussion and Conclusion
Acknowledgments
References
국 문 요 약

• Jae-Hwan Cho(Department of Radiological Science, Ansan University) | 조재환 (안산대학교 방사선학과) Corresponding author