자기공명영상(MRI)은 높은 연부조직 대조도와 다양한 정량 정보를 제공하지만, 긴 검사 시간과 복잡한 프로토콜, 움직임 아티팩트, 재촬영 부담으로 인해 임상 워크플로우의 비효율성이 지속적으로 문제로 지적되어 왔다. 최근 인 공지능(AI)은 검사 전 프로토콜 결정, 촬영 중 품질 관리, 저샘플링 데이터 재구성, 영상 판독 보조, 정량화 및 결과 통합에 이르기까지 MRI 전 주기에 걸쳐 적용되며, 검사 시간 단축과 업무 효율 향상에 기여하고 있다. 딥러닝 기반 재구성은 가속 MRI의 핵심 기술로 자리 잡았으며, 최근 연구들에서 진단 성능을 유지하면서도 획득 시간을 줄일 수 있음이 보고되었다. 전립선 MRI를 비롯해 뇌하수체 MRI, 요추 MRI, 두경부 MRI, 측두하악관절 MRI, 뇌종양 MRI 등 다양한 장기에서 AI의 적용 양상이 서로 다르게 나타나므로, 임상 구현은 장기별 특성과 검사 목적을 함께 고려해야 한다. 또한 워크플로우 단계별로 확보된 근거의 수준이 서로 다르며, 특히 판독 우선순위 분류와 운영 관리 단계는 재구성 단계에 비해 MRI를 대상으로 한 직접적인 임상 검증 근거가 제한적이다. 실제 임상 도입에는 일반화 성능, 외부 검증, AI 판단의 근거 제시, 표준화, 규제 및 책임 문제가 여전히 남아 있다. 본 논문에서는 MRI 워크플 로우 최적화를 위한 AI 최신 기술을 단계별로 고찰하고, 임상 구현을 위한 핵심 쟁점과 향후 방향을 종합적으로 논의 하고자 한다.

While magnetic resonance imaging (MRI) provides high soft-tissue contrast and diverse quantitative information, inefficiencies in clinical workflows have been consistently cited as a problem due to long examination times, complex protocols, motion artifacts, and the burden of repeat imaging. Recently, artificial intelligence (AI) has been applied throughout the entire MRI workflow—from pre-examination protocol determination and quality control during acquisition to undersampled data reconstruction, image interpretation assistance, quantification, and result integration—contributing to reduced examination times and improved operational efficiency. In particular, deep learning-based reconstruction has established itself as a core technology for accelerated MRI, and recent studies have reported that acquisition time can be reduced while maintaining diagnostic performance. Furthermore, because the application of AI varies across different organs, such as prostate MRI, pituitary MRI, lumbar spine MRI, head and neck MRI, temporomandibular joint MRI, and brain tumor MRI, clinical implementation must consider both organ-specific characteristics and examination objectives. In addition, the level of evidence differs substantially across workflow stages; in particular, reading triage and operations management are supported by considerably less MRI-specific clinical validation than the reconstruction stage. However, issues regarding generalization performance, external validation, justification of AI decisions, standardization, regulation, and liability still remain in actual clinical adoption. This paper reviews the latest AI technologies for MRI workflow optimization step by step and comprehensively discusses key issues and future directions for clinical implementation.

Abstract
서 론
본 론
    1. MRI 워크플로우와 병목의 구조
    2. 검사 전 단계: 프로토콜 추천과 의사결정 지원
    3. 촬영 단계: 움직임 보정과 품질 관리
    4. 딥러닝 기반 재구성: 가속 MRI의 핵심
    5. 영상 세분화 및 정량화 자동화
    6. 판독 및 보고 단계: 우선순위 분류와 구조화 보고
    7. 운영 관리: 스케줄링 최적화와 자원 배분
고찰 및 결론
References
국 문 요 약

• Kyung-Bae Lee(Department of Radiological Science, Wonkwang University) | 이경배 (원광대학교 방사선학과) Corresponding author