Evaluation of deep neural network–based χ-separation map denoising across processing pipeline stages = 딥러닝 기반 χ-separation 처리 단계별 노이즈 제거 성능 평가

다국어 초록 (Multilingual Abstract)

Magnetic susceptibility in human brain reflects a mixture of paramagnetic and diamagnetic sources, most notably iron and myelin. χ-separation is a quantitative MR framework that attempts to separate these contributions into distinct paramagnetic (χ-para) and diamagnetic (χ-dia) susceptibility maps by combining multiple signal-processing and reconstruction steps. Along this workflow, intermediate maps such as local field, relaxation, and susceptibility are generated, with each transformation can reshape or propagate noise and modeling errors.
This thesis investigates how deep learning–based denoising can be integrated into this χ-separation workflow by comparing different denoising stages and network architectures in terms of image quality and quantitative susceptibility measurements. Convolutional models and generative models are examined, trained in a supervised residual-learning framework at multiple processing stages. Deep learning denoising improves single-orientation χ-separation maps across all stages, with the largest gains obtained when denoising is applied directly to the final χ-para and χ-dia maps, and atlas-based region-of-interest analyses indicate that late-stage denoising preserves regional χ-para and χ-dia patterns. These findings provide practical guidance on where and how to place deep learning–based denoisers within the χ-separation workflow.

국문 초록 (Abstract)

인간 뇌의 자기 감수율(magnetic susceptibility)은 주로 상자성 물질인 철과 반자성 물질인 미엘린 수초를 비롯한 다양한 자성 원천의 혼합을 반영한다. χ-separation은 여러 신호 처리 및 재구성 단계를 결합하여, 측정된 국소 자기장(local field)을 상자성과 반자성 감수율 지도로 분리하고자 하는 정량 MR 기법이다. 이 과정에서 국소 자기장, 이완(relaxation), 감수율 지도와 같은 중간 단계의 영상들이 순차적으로 생성되며, 각 단계의 변환은 노이즈와 모델링 오차를 왜곡하거나 다음 단계로 전파시킬 수 있다.
본 학위논문은 서로 다른 디노이징 적용 단계와 네트워크 구조를 비교함으로써, 딥러닝 기반 노이즈 제거를 χ-separation 처리 과정에 어떻게 통합할 수 있는지를 정성적, 정량적 측면 모두 평가하였다. 합성곱 기반(convolutional) 모델과 생성(generative) 모델을 대상으로, 여러 처리 단계에서 감독(supervised) 기반의 residual learning 방식으로 학습을 수행하였다. 그 결과, 딥러닝 기반 디노이징은 모든 단계에서 단일 방향 χ-separation 지도의 화질을 향상시켰으며, 특히 최종 χ-para 및 χ-dia 지도에 직접 적용했을 때 피크 신호대잡음비(PSNR)와 구조적 유사도(SSIM)의 향상이 가장 크게 나타났다. 또한 atlas 기반 관심영역(ROI) 분석 결과, 후반부 단계에서의 디노이징은 기존 χ-separation으로부터 유도되는 χ-para 및 χ-dia의 영역별 패턴을 잘 유지하는 것으로 나타났다. 이러한 결과는 χ-separation 처리 과정 내에서 딥러닝 기반 디노이저를 모든 처리가 끝난 후 배치하는 것이 영상 화질 개선과 정량 감수율 보존 측면에서 가장 유리한 선택임을 보여준다.

목차 (Table of Contents)

• Abstract i
• Contents ii
• List of Tables iii
• List of Figures iv
• Chapter 1. Introduction 1
• 1.1. Magnetic susceptibility mapping 1
• 1.2. Deep learning models for susceptibility mapping 2
• 1.3. Purpose of research 3
• Chapter 2. Materials and methods 4
• 2.1. MR data acquisition 4
• 2.2. χ-separation reconstruction 5
• 2.3. Stage-wise χ-separation denoising pipeline 5
• 2.4. Deep learning-based χ-separation denoising 7
• 2.4.1. Data preprocessing for deep learning models 8
• 2.4.2. Data normalization 9
• 2.4.3. Denoising models 10
• 2.5. ROI study 12
• Chapter 3. Results 13
• 3.1. Stage-wise denoising results 13
• 3.2. Overall χ-separation results 16
• 3.3. ROI analysis 23
• Chapter 4. Discussion 28
• References 31
• Abstract in Korean 36