자기공명영상에서 딥러닝 재구성 기법과 코일 채널 수가 영상 품질에 미치는 영향 : 팬텀 연구 = Evaluation of the Effect of Deep Learning Reconstruction and the Number of Coil Channels on Image Quality in MRI: A Phantom Study

다국어 초록 (Multilingual Abstract)

Purpose: This study aimed to evaluate the effects of deep learning-based reconstruction and
head coil channels on MRI image quality. Specifically, this study investigated the complex
three-way interaction among coil channels (20-channel vs. 64-channel), sequence type
(T1- vs. T2-weighted), and the application of DL(Deep Resolve Boost Activated vs. Deactivated) to evaluate the sequence-specific effects of
this DL technology. Methods: MRI phantom images were obtained with a 3.0T Siemens MAGNETOM Vida system
using both 20- and 64-channel head coils under T1- and T2-weighted conditions, with and without Deep Resolve Boost. Quantitative image
quality metrics including signal intensity (SI), standard deviation (SD), signal-to-noise ratio (SNR), and contrast-to-noise ratio (CNR) were
measured. Statistical analysis was performed using three-way repeated-measures ANOVA.
Results: In the phantom setting, the 20-channel coil yielded a higher SNR and CNR compared to
the 64-channel coil. The DL reconstruction showed highly sequence specific and contradictory effects : it improved CNR in T1-weighted
sequences by reducing noise and enhancing contrast,but conversely degraded quantitative metrics (SNR and CNR) in T2-weighted
sequences. All three factors (Coil, DL, Sequence) and their complex interactions were statistically significant, indicating that their impact on image quality is interdependent.
Conclusion: The impact of deep learning reconstruction is highly sequence-specific. This study's key finding is the contradictory effect of Deep Resolve Boost: while it improved CNR in T1-weighted images, it conversely degraded quantitative SNR and CNR in T2-weighted images. This demonstrates that image quality is determined by a complex interaction between hardware, software, and sequence parameters. These findings provide critical evidence for the tailored application of deep learning, highlighting that algorithms require rigorous
sequence-specific validation rather than uniform clinical deployment.
Keywords: MRI, Deep learning, Image reconstruction, SNR, CNR, Head coil, Phantom study

국문 초록 (Abstract)

자기공명영상에서 딥러닝 재구성 기법과 코일 채널 수가 영상 품질에 미치는 영향: 팬텀 연구
MRI(Magnetic Resonance Imaging, 자기공명영상)은 뛰어난 연조직 대조도를 기 반으로 진단에 필수적인 정보를 제공하지만, 영상 품질은 코일 채널 수, 획득 시퀀 스, 그리고 최근 도입된 딥러닝(Deep Learning, DL) 기반 재구성 기술 등 다양한 요인의 복합적인 영향을 받는다. 본 연구의 목적은 딥러닝 기반 재구성과 두부 코 일 채널 수가 MRI 영상 품질에 미치는 영향을 평가하는 것이다. 구체적으로, 코일 유형(20채널 vs 64채널), 시퀀스 유형(T1 vs T2 강조 영상), 그리고 DL(Deep Resolve Boost 적용 유무) 간의 복잡한 3자 상호작용을 조사하여, 이 딥러닝 기술 의 시퀀스별 특이성을 평가하고자 하였다. 연구는 20채널 및 64채널 두부 코일, 딥러닝 적용 유무, T1 및 T2 강조 영상 시퀀 스의 조합으로 총 8가지 조건에서 표준 팬텀 영상을 획득하여 진행되었다. 각 조건 별로 중심부와 외곽부의 신호강도(Signal Intensity, SI) 및 표준편차(Standard Deviation, SD)를 측정하고, 이를 기반으로 신호 대 잡음비(Signal-to-Noise Ratio, SNR)와 대조도 대 잡음비(Contrast-to-Noise Ratio, CNR)를 산출했다. 수집된 모 든 데이터는 삼원 반복 측정 분산 분석(Three-way Repeated Measures ANOVA) 을 통해 통계적으로 분석되었다. 팬텀 환경에서, 20채널 코일이 64채널 코일보다 더 높은 SNR과 CNR 값을 보였다. 딥러닝 재구성 기법은 시퀀스에 따라 매우 모순적인 효과를 보였다. 즉, T1 강조 영상에서는 노이즈를 감소시키고 CNR을 향상시켜 영상 품질을 개선했으나, T2 강 조 영상에서는 반대로 정량적 지표(SNR, CNR)를 저하시켰다. 세 가지 요인(코일, DL, 시퀀스)과 이들의 복합적인 상호작용 모두 통계적으로 유의미하게 나타나, 영 상 품질에 대한 이들의 영향이 상호 의존적임을 시사했다. 결론적으로, 딥러닝의 영향은 시퀀스 특이적이다. 본 연구의 핵심 발견은 딥러닝의 모순적 효과(T1 개선, T2 저하)이며, 이는 영상 품질이 하드웨어(코일), 소프트웨어 (DL), 시퀀스 파라미터 간의 상호작용에 의해 결정됨을 보여준다. 또한 딥러닝 재 구성 기법은 제조사별로 알고리즘 구조가 상이하기 때문에, 본 연구에서 나타난 경 향성은 다른 제조사에서도 동일하게 재현된다고 단정하기에 어려움이 있다. 이러한 결과는 딥러닝 알고리즘이 획일적으로 임상에 적용되어서는 안 되며, 엄격한 시퀀 스별 검증이 필요함을 강조하는 중요한 기초 자료로 활용될 수 있을 것이다.

목차 (Table of Contents)

• 제 1 장 서 론 1
• １. 연구배경 1
• 제 ２ 장 이론적 배경 4
• 1. MRI 기본이론 4
• 1) MRI 역사 4
• 2) MRI 기본원리 5
• 3) MRI 촬영시간 7
• 2. MRI 코일의 이해 8
• 1) MRI 코일의 종류 및 기능 8
• 2) 코일 감도 및 균일도 10
• 3) 코일 배열 및 채널수에 따른 특징 11
• 3. MRI 영상기법 13
• 1) SE (Spin Echo, 스핀 에코) 13
• 2) TSE (Turbo Spin Echo, 터보 스핀 에코 ) 14
• 3) IR (Inversion Recovery, 반전 회복 기법) 15
• 4) T1강조영상, T2강조영상 16
• 4. MRI 팬텀 17
• 1) 팬텀의 정의 및 필요성 18
• 2) 팬텀의 종류 및 특성 19
• 3) 팬텀을 이용한 신호 측정의 의의 20
• 5. MRI 딥러닝 21
• 1) 딥러닝 개요 21
• 2) MRI 영상에서의 딥러닝 적용 분야 22
• 3) 딥러닝을 활용한 MR 신호 처리 및 영상 개선 23
• 4) 딥러닝 모델의 학습 및 평가 25
• 6. MR 신호 및 영상화 파라미터 27
• 1) MR 신호 강도에 영향을 미치는 요인 27
• 2) 신호 대 잡음비 (SNR) 및 대조도 대 잡음비 (CNR) 29
• 3) 해상력 (Resolution) 30
• 4) 주요 영상화 파라미터 30
• 제 ３ 장 연구대상 및 방법 33
• 1. 연구대상 33
• 2. 연구 장비 및 조건 33
• 3. 자료 획득 절차 35
• 4. 딥러닝 모델 및 적용방법 36
• 5. 자료 분석 방법 37
• 1) 정량적 영상 지표 측정 37
• 2) 통계 분석 38
• 제 ４ 장 결 과 40
• 1. 기술적통계 40
• 2. SI_C (중심부 Signal Intensity) 42
• 3. SI_O (외곽부 Signal Intensity) 44
• 4. SD_C (중심부 Standard Deviation) 45
• 5. SD_O (외곽부 Standard Deviation) 47
• 6. SNR_C (중심부 신호 대 잡음비) 49
• 7. CNR_C (중심부 대조도 대 잡음비) 50
• 8. 딥러닝에 따른 영상 품질 지표 개선율 및 감소율 분석 52
• 1) SNR 개선율 분석 52
• 2) SD 감소율 분석 54
• 9. 영역별 신호 특성 차이 분석 55
• 1) SI 차이 분석 55
• 2) SD 차이 분석 57
• 제 5 장 고 찰 59
• 1. 코일 채널 수의 영향 59
• 2. 딥러닝 기능의 영상 품질 향상 및 시퀀스별 상반된 효과 59
• 3. 코일 채널, 딥러닝, 시퀀스 간의 복합적 상호작용 61
• 4. 연구의 한계점 및 향후 연구 방향 62
• 제 6 장 결 론 64
• 참고문헌 　65
• Abstract 70