본 연구는 3.0T MRI 장비와 ACR 표준 팬텀을 활용하여 EDSR 및 U-Net 기반 딥러닝 초해상화 기법의 정량적 화질과 임상 적용 가능성을 평가하였다. T1, T2 강조영상을 매트릭스 크기별로 반복 촬영한 후, PSNR, SSIM, 고대 조도 공간 분해능, 저대조도 객체 검출능을 기준으로 전통적인 Bicubic 보간법과 비교 검증을 수행하였다. 통계 분석 결과, ×2 배율 복원 환경에서 128-EDSR(PSNR 36.8 ± 1.0 dB, SSIM 0.94 ± 0.02)과 128-UNet(PSNR 35.9 ± 1.1 dB, SSIM 0.93 ± 0.02) 그룹 모두 Bicubic 보간 대비 화질이 통계적으로 유의하게 우수함을 입증하 였다(F(2,12)=88.31, p<0.001). 아울러 ×2 배율의 DLR 영상은 HCSR 및 LCD 항목에서 ACR 기준을 안정적으로 충족하며 고속 스캔 프로토콜의 유효성을 증명하였다. 반면, 원본 정보 손실이 극심한 ×4 배율 복원에서는 DLR 영상의 SSIM이 0.85 미만으로 떨어지며 유의한 성능 저하가 관찰되어 (t(4)=8.43, p<0.001) ACR 기준을 충족하지 못하였다. 결론적으로 ×2 배율의 딥러닝 초해상화는 임상 적용이 유망하나, ×4 이상의 고배율 적용 시에는 신중한 접근이 요구된다.

This study quantitatively evaluated the image quality and clinical feasibility of EDSR and U-Net based deep learning super-resolution (DLR) techniques using a clinical 3.0T MRI scanner and an ACR standard phantom. T1- and T2-weighted images acquired at various matrix sizes were reconstructed and compared against the traditional Bicubic interpolation based on PSNR, SSIM, high-contrast spatial resolution (HCSR), and low-contrast object detectability (LCD). Statistical analysis demonstrated that for ×2 upscale restoration, both the 128-EDSR (PSNR 36.8±1.0dB, SSIM 0.94±0.02) and 128-UNet (35.9±1.1dB, 0.93±0.02) groups significantly outperformed the Bicubic baseline (30.15±0.03dB, 0.89±0.03) (F(2,12)=88.31, p<0.001). Furthermore, the ×2 DLR images successfully met the strict ACR accreditation criteria for both HCSR and LCD, validating their effectiveness in accelerated scanning protocols. Conversely, the ×4 upscale restoration exhibited severe performance degradation due to substantial structural data loss, yielding an SSIM below 0.85 and failing to satisfy the ACR standards (t(4)=8.43, p<0.001). In conclusion, while ×2 deep learning super-resolution holds high clinical promise for reducing scan times, a cautious approach is required for high-magnification applications beyond ×4 scales.

Abstract
서 론
대상 및 방법
    1. 실험 대상 및 영상 획득 장비
    2. 영상 획득 방법
    3. 딥러닝 초해상화 모델 적용 방법
    4. 화질 평가 방법
    5. 통계 분석 방법
결 과
    1. 픽셀 기반 화질 지표 (PSNR, SSIM) 분석 결과
    2. ACR 팬텀 표준 화질 평가
고찰 및 결론
Ⅴ. 감사의 글
References
국 문 요 약

• Yeong-Gon Kwak(Department of Radiological Science, Wonkwang University) | 곽영곤 (원광대학교 방사선학과) Corresponding author