MRI 공예품

MRI는 자기공명영상(MRI)에서 시각적 인공물(시각적 표현 중에 나타나는 이상 현상)이다.원래 개체에 없는 이미지에 나타나는 기능이다.^[1]MRI 검사 중에 많은 다른 인공물들이 발생할 수 있는데, 일부는 진단 품질에 영향을 미치는 반면, 다른 것들은 병리학과 혼동될 수 있다.아티팩트는 환자 관련, 신호 처리 의존 및 하드웨어(기계) 관련으로 분류할 수 있다.^[1]null

환자 관련 MR 아티팩트

모션 아티팩트

그림 1. 운동 인공물(경추의 T1 관상동맥 연구).^[1]

모션 아티팩트는 MR 이미징에서 가장 흔한 아티팩트 중 하나이다.^[2]모션은 위상 인코딩 방향으로 고스트 영상 또는 확산 영상 노이즈를 유발할 수 있다.위상-인코딩 방향에서 주로 데이터 샘플링에 영향을 미치는 이유는 주파수-인코딩 방향과 위상-인코딩 방향에서 획득 시간의 유의한 차이 때문이다.^[1]매트릭스의 모든 행(128, 256 또는 512)에서 주파수 인코딩 샘플링은 단일 에코(밀리초) 동안 발생한다.푸리에 분석을 활성화하기 위해 모든 k-공간 라인의 수집으로 인해 위상 인코딩 샘플링에는 몇 초 또는 심지어 몇 분이 걸린다.주요 생리학적 움직임은 지속시간이 밀리초에서 초로 너무 느려서 주파수 인코딩 샘플링에 영향을 미치지는 못하지만 위상 인코딩 방향에서 뚜렷한 효과를 가진다.심장의 움직임과 혈관 또는 CSF 맥박과 같은 주기적인 움직임은 유령 이미지를 유발하고, 주기적이지 않은 움직임은 확산된 영상 노이즈를 유발한다(그림 1).고스트 이미지 강도는 이동 진폭과 이동 조직에서 나오는 신호 강도에 따라 증가한다.환자 이모빌라이제이션, 심장 및 호흡 동기, 아티팩트를 유발하는 조직의 신호 억제, 위상 인코딩 방향으로 매트릭스의 더 짧은 치수 선택, 보기 순서 지정 또는 위상 순서 변경 방법, 위상 및 주파수 인코딩 방향과 같은 동작 아티팩트를 줄이기 위해 여러 가지 방법을 사용할 수 있다.유물을 관심 영역 밖으로 옮기기 ^[1]위해null

흐름

그림 2. 경동맥과 기저동맥의 흐름 관련 신호 손실(뇌의 T2 축방향 연구)^[1]

흐름은 혈관 내 신호 변화(흐름 강화 또는 흐름 관련 신호 손실) 또는 흐름 관련 아티팩트(고스트 영상 또는 공간 등록 오류)로 나타날 수 있다.유입 효과라고도 알려진 흐름 강화는 정지 양성자가 자기화를 완전히 회복하지 못한 상태에서 완전히 자화된 양성자가 이미징 슬라이스에 들어가면서 발생한다.^[1]완전히 자화된 양성자는 주변의 다른 부분과 비교하여 높은 신호를 낸다.고속 흐름은 180도 펄스를 투여할 때 이미지로 들어가는 양자를 제거하게 한다.그 효과는 이들 양성자가 에코에 기여하지 않고 신호공백 또는 흐름 관련 신호손실로 등록되는 것이다(그림 2).^[1]공간적 오등록은 시간 TE/2에 의한 주파수 인코딩 이전의 위상 방향에서 복셀의 위치 인코딩으로 인해 혈관 내 신호의 변위로 나타난다.아티팩트의 강도는 혈관의 신호 강도에 따라 달라지며 TE가 증가하면 뚜렷하지 않다.^[1]null

금속 공예품

그림 3. 금속 관련 ^[1]유물

그림 4. 금속 관련 ^[1]유물

금속 공예품은 다른 자기 감수성을 가진 조직의 인터페이스에서 발생하는데, 이것은 국소 자기장이 외부 자기장을 왜곡하게 한다.이러한 왜곡은 조직의 전처리 빈도를 변화시켜 공간적인 정보 불일치로 이어진다.왜곡 정도는 금속 유형(티타늄 합금보다 왜곡 효과가 큰 무연강), 인터페이스 유형(연조직-금속 인터페이스에서 가장 현저한 효과), 펄스 시퀀스 및 영상 파라미터에 따라 달라진다.금속 공예품은 화장을 한 코발트 등 외부 강자성, 수술용 클립, 척추 하드웨어 등 내부 강자성, 피카로 사람이 삼킨 금속성 물체가 원인이다.^[3]이러한 아티팩트의 표현은 총 신호 손실, 주변 고신호 및 영상 왜곡을 포함하여 가변적이다(그림 3과 4).^[1]이러한 아티팩트의 감소는 이동식 극한 영상과 개방형 자석을 사용하여 가능한 외부 자기장의 긴 축과 평행하게 삽입물 또는 장치의 긴 축을 방향화함으로써 시도할 수 있다.금속 아티팩트는 복셀 크기, 빠른 영상 시퀀스, 판독 대역폭 증가 및 금속이 존재할 때 그라데이션-에코 이미징을 피하여 이 방향으로 가장 뚜렷하게 나타나기 때문에 추가적인 방법은 적절한 주파수 인코딩 방향을 선택하는 것이다.MAS(금속 아티팩트 감소 시퀀스)라는 기법은 주파수 인코딩 그라데이션이 적용될 때 슬라이스 선택 그라데이션에 따라 추가 그라데이션이 적용된다.==신호 처리 종속 아티팩트== 영상 매트릭스에서 데이터를 샘플링, 처리 및 매핑하는 방법은 이러한 아티팩트를 나타낸다.^[1]null

화학 시프트 아티팩트

그림 5. 화학적 이동 아티팩트: 축방향 그라데코 반대상 이미지에서 신장 주위에 밝고 어두운 줄무늬가 있다.^[1]

화학적 이동 아티팩트는 위상 인코딩 또는 섹션 선택 방향의 지방/수면 인터페이스에서 발생한다(그림 5).이러한 유물들은 마이크로마그네틱 환경으로 인해 양성자의 공명의 차이로 인해 발생한다.지방의 양자는 물의 양자에 비해 약간 낮은 주파수로 공명한다.높은 자기장 강도 자석은 특히 이 공예품에 취약하다.^[1]위상-암호화 및 주파수-암호화 그라디언트를 교환하고 조직의 결과적 이동(있는 경우)을 검사하여 아티팩트를 결정할 수 있다.null

부분 부피

부분 볼륨 아티팩트는 신호가 평균화되는 복셀의 크기에서 발생한다.복셀 치수보다 작은 물체는 정체성을 상실하고, 세부사항과 공간 분해능의 상실이 발생한다.이러한 아티팩트의 감소는 더 작은 픽셀 크기 및/또는 더 작은 슬라이스 두께를 사용하여 달성된다.^[1]null

둘러치기

그림 6. 둘러치기 ^[1]공예품

그림 7. 둘러치기 ^[1]공예품

앨리어싱 아티팩트로도 알려진 랩어라운드 아티팩트는 시야 밖에 있지만 슬라이스 볼륨 내에 있는 해부학적 구조가 일치하지 않는 결과물이다.^[4]선택한 시야는 이미징된 객체의 크기보다 작다.해부도는 대개 영상의 반대편으로 이동한다(그림 6과 7).이는 비선형 구배 또는 복귀 신호 내에 포함된 주파수의 과소 샘플링에 의해 발생할 수 있다.^[1]샘플링 속도는 물체에서 발생하는 최대 주파수(나이키스트 샘플링 한계)의 2배여야 한다.그렇지 않으면 푸리에 변환은 나이키스트 한계보다 큰 주파수 신호에 매우 낮은 값을 할당한다.그런 다음 이러한 주파수는 저주파 신호로 가장하여 이미지의 반대편으로 '휘둘러서'한다.주파수 인코딩 방향에서는 획득한 신호에 필터를 적용하여 나이키스트 주파수보다 큰 주파수를 제거할 수 있다.위상 인코딩 방향에서 아티팩트는 위상 인코딩 단계 수 증가(영상 시간 증가)에 의해 감소할 수 있다.수정을 위해 더 큰 시야를 선택할 수 있다.^[1]null

깁스 공예품

그림 8. Gibbs 인공물(뇌의 T1 시상 연구).^[1]

잘림 공예품이라고도 알려진 깁스 공예품이나 깁스 울림 공예품은 영상의 날카로운 경계에서 높은 공간 주파수의 과소 샘플링에 의해 발생한다.^[5]^[6]적절한 고주파 구성 요소가 부족하면 링잉 아티팩트로 알려진 급격한 전환에서 진동이 발생한다.그것은 거리에 따라 서서히 희미해지는 밝은 신호와 어두운 신호가 교대로 교차하는 여러 개의 일정한 간격으로 배치된 평행 대역으로 나타난다(그림 8).링잉 아티팩트는 더 작은 디지털 매트릭스 크기로 더욱 두드러진다.^[1]Gibbs 아티팩트를 교정하기 위해 사용되는 방법에는 푸리에 변환 이전의 k-공간 데이터를 필터링하고, 주어진 시야의 매트릭스 크기를 증가시키며, 게겐바우어 재구성 및 베이시안 접근법이 포함된다.^[1]==기계/하드웨어 관련 유물==이것은 광범위하면서도 여전히 확대되는 과목이다.몇 가지 일반적인 유물만이 인정된다.^[1]null

무선주파수(RF) 사각형

RF 감지 회로 고장은 검출기 채널의 부적절한 작동에서 발생한다.푸리에 변환된 데이터는 이미지 중앙의 밝은 부분을 표시한다.검출기의 한 채널이 다른 채널보다 이득이 높을 경우 이미지에서 물체가 고스팅된다.이는 하드웨어 고장의 결과로 서비스 담당자가 해결해야 한다.^[1]null

외부 자기장(B0) 불균형

그림 9. B0 불균형:^[1] 요추의 T1 축 연구 전체에 걸친 강도 왜곡.

B0의 불균형은 조직의 불일치를 초래한다.균질하지 않은 외부 자기장은 공간적, 강도 또는 두 가지 왜곡을 유발한다.강도 왜곡은 위치에 있는 필드가 이미징된 개체의 나머지 부분보다 크거나 작을 때 발생한다(그림 9).공간 왜곡은 비균형 분야에서 일정하게 유지되는 장기 장 구배에서 발생한다.^[1]null

그라데이션 필드 아티팩트

자기장 구배는 이미징되는 볼륨 내에서 흥분된 양성자의 신호 위치를 공간적으로 인코딩하는 데 사용된다.슬라이스 선택 그라데이션은 볼륨(슬라이스)을 정의한다.위상 및 주파수 인코딩 그라데이션은 다른 2차원의 정보를 제공한다.경사도의 모든 편차는 왜곡으로 표현될 수 있다.^[1]적용된 구배 중심에서 거리가 증가하면 주변부에서 자기장 강도 손실이 발생한다.해부학적 압축은 특히 Coronal 및 Sagittal 영상에서 발생한다.^[1]위상 인코딩 구배가 다르면 복셀의 폭이나 높이가 달라 왜곡이 발생한다.해부학적 비율은 한 축 또는 다른 축을 따라 압축된다.정사각형 픽셀(및 복셀)을 구해야 한다.^[1]이상적으로 위상 구배는 물체의 작은 차원에, 주파수 구배는 더 큰 차원에 할당되어야 한다.실제로 모션 아티팩트를 교체해야 하기 때문에 이것이 항상 가능한 것은 아니다.^[1]이것은 시야를 축소하거나, 구배장 강도를 낮추거나, 무선 신호의 주파수 대역폭을 감소시킴으로써 교정될 수 있다.보정이 이루어지지 않을 경우, 그 원인은 손상된 그라데이션 코일 또는 그라데이션 코일을 통과하는 비정상적인 전류일 수 있다.^[1]null

RF(B1) 불균형

영상에 걸친 강도의 변화는 RF 코일, 균일하지 않은 B1 필드, 수신 전용 코일의 불균일한 민감도(코일 내 와이어 간 공간, 와이어의 불균일한 분포) 또는 이미징된 물체에 비철자성 물질이 존재하기 때문일 수 있다.^[1]null

FLASH 시퀀스를 사용할 경우 B1 비균형성으로 인한 팁 각도 변화는 이미지의 대조에 영향을 미칠 수 있다.마찬가지로, 반전 복구 펄스 및 기타 T1 의존적 방법의 경우 신호 강도 오류와 일반적으로 T1 가중치가 낮아진다.^[7]이는 슬라이스 전체에 걸쳐, 특히 몸의 가장자리 주변에 있는 불완전한 플립 각도로 인해 불완전한 자화 회수가 발생하기 때문이다.null

RF 팁 각도 이론 vs 리얼리티

인간의 몸은 양자로 가득 차 있고 영상촬영을 하는 동안 B0 장은 이러한 개별 양성자를 자기장의 방향으로 순자화(net agneticization)에 맞추어 정렬한다.주 자기장에 수직으로 작용하는 RF 펄스가 스핀을 원하는 각도로 뒤집는다.이 플립 각도는 B1 자기장 진폭에 따라 조정된다.^[8]측정된 MR 신호는 양성자의 플립 각도에 따라 달라지기 때문에 정확한 플립 각도가 중요하다.그러나, 이 이론은 B1 분야가 균질하다고 가정하고, 따라서 한 조각의 모든 회전은 동일한 양으로 뒤집힌다.null

실제로 한 조각의 다른 영역은 다른 무선 주파수 장을 보고, 다른 플립 각도로 이어진다.이러한 현상이 발생하는 한 가지 이유는 RF 파장이 B0에 반비례하기 때문이다.따라서 B0이 증가하면 RF 파장은 감소한다.1.5T의 B0장에서는 몸 크기에 비해 RF 파장이 길다.^[9]그러나 주자기장이 증가함에 따라 이러한 파장은 이미징되는 신체의 영역과 같거나 작아져 플립 각의 불균형을 초래하게 된다.건강한 환자의 뇌 이미지에서 3T와 7T의 장이 얼마나 비균형인지 육안으로 확인할 수 있다.^[10]null

한편, B1의 비균형성의 원인은 이것뿐만이 아니다.RF 펄스 설계, B0 필드 불균형 또는 심지어 환자 이동 때문일 수도 있다.^[11]null

비대칭 밝기

주파수 인코딩 축을 따라 신호 강도가 균일하게 감소한다.신호 드롭 다운은 신호 대역을 너무 꽉 조이는 필터 때문이다.이미징 섹션에 의해 생성된 신호 중 일부는 부적절하게 거부된다.유사한 유물은 슬라이스 두께가 균일하지 않기 때문에 발생할 수 있다.^[1]null

RF 노이즈

MRI 기기의 RF 펄스와 전처리 주파수는 TV, 라디오, 형광등 및 컴퓨터와 같은 공통 소스와 동일한 주파수 대역폭을 차지한다.표류 RF 신호는 다양한 아티팩트를 일으킬 수 있다.협대역 노이즈는 주파수 인코딩 방향에 수직으로 투영된다.광대역 잡음은 훨씬 더 넓은 영역에 걸쳐 이미지를 교란시킨다.적절한 현장 계획, 적절한 설치 및 RF 실드(Faraday Cage)를 통해 RF 간섭을 제거한다.^[1]null

0선 및 항성 아티팩트

파선 패턴의 밝은 선형 신호로 화면 전체에서 강도가 감소하고 '위상 주파수 공간'^[1]에서 환자의 위치에 따라 선 또는 별 패턴으로 발생할 수 있다.제로 라인 및 별 아티팩트는 시스템 소음 또는 실내 RF 오염의 원인(Faraday Cage)에 기인한다.이 패턴이 지속될 경우 불량 전자 장치 또는 교류 라인 노이즈, 표면 코일에 느슨한 연결부 또는 RF 오염원과 같은 시스템 노이즈의 발생원을 점검하십시오.항성 패턴이 발견되면 제조사는 영점으로부터 이미지가 이동되도록 시스템 소프트웨어를 재조정할 필요가 있다.^[1]null

지퍼 공예품

지퍼는 덜 흔하지만 불완전한 패러데이 케이지로 인해 이미지 센터를 통과하는 밴드로, RF 오염이 있지만 외부에서 발생한다.^[12]잔류 자유 유도 붕괴 자극 에코도 지퍼를 유발한다.^[1]null

바운스 포인트 아티팩트

그림 10.표면 코일 아르테팩트: 표면 코일에 인접한 전흉벽에서 높은 신호.^[1]

특정 T1 값의 조직에서 신호 부재는 반전 복구 이미징에서 규모에 민감한 재구성의 결과물이다.선택한 T1이 특정 조직의 T1 값의 69%와 같을 때, 바운스 포인트 아티팩트가 발생한다.^[1]위상에 민감한 재구성 반전 복구 기법을 사용하십시오.null

표면 코일 아티팩트

표면 코일에 가까우면 신호가 매우 강하여 영상 신호가 매우 강렬하다(그림 10).^[1]코일로부터 멀리 떨어져서, 신호 강도는 이미지 밝기 손실과 균일성에 대한 상당한 음영 감쇠로 인해 빠르게 떨어진다.표면 코일 감도는 RF 감쇠 및 RF 불일치와 관련된 문제를 강화한다.null

슬라이스 대 슬라이스 간섭

그림 11.슬라이스 대 슬라이스 간섭(요추의 T1 축방향 연구).^[1]

다중 슬라이스 획득 중 인접 슬라이스가 수신하는 균일하지 않은 RF 에너지는 재구성된 영상에서 대조도 손실과 함께 인접 슬라이스가 교차 노출되기 때문이다(그림 11).이러한 간섭 아티팩트를 극복하려면 두 개의 독립된 절단된 다중 슬라이스 영상 세트를 획득한 후 전체 영상 세트를 표시하는 동안 다시 정렬해야 한다.^[1]null

아티팩트 보정

움직임 보정

게이팅

트리거링으로도 알려진 게이팅은 저 동작 상태에서 MRI 데이터를 획득하는 기술이다.그 예로는 폐활량이 낮을 때만(즉, 큰 호흡 사이) MRI 슬라이스를 획득할 수 있다.게이팅은 매우 간단한 해결책이며 매우 큰 결과를 가져올 수 있다.게이팅은 호흡과 심장 유물을 완화시키는데 가장 적합하다.이러한 유형의 모션이 반복적이기 때문에 '저모션 상태'에서 트리거링 수집을 활용할 수 있기 때문이다.Gating은 cine 영상촬영, MRA, 자유호흡 흉부 스캔, CSF 흐름 영상 등에 사용된다.^[13]null

올바르게 관문을 통과하기 위해서는 환자의 심장 운동과 호흡 패턴에 대한 지식이 있어야 한다.이것은 일반적으로 심장 신호를 판독하기 위해 맥박 산소측정기 또는 EKG 센서를 사용하고 호흡 신호를 판독하기 위해 벨로우스를 사용한다.게이트에 대한 큰 단점은 '데드 타임'으로, 높은 동작 상태가 지나가기를 기다리면서 낭비되는 시간으로 정의된다.예를 들어, 우리는 누군가가 흡입하는 동안 MRI 영상을 획득하고 싶지 않다. 이것은 높은 동작 상태가 될 것이기 때문이다.그래서 우리는 높은 운동 상태가 지나가기를 기다리는 많은 기간을 가지고 있다.이것은 호흡기와 심장의 동기화를 함께 고려할 때 더욱 두드러진다.호흡기와 심장의 움직임이 적은 시간의 창은 매우 드물게 나타나 사망률이 높은 시간으로 이어진다.그러나 심장과 호흡 동기 모두로 획득한 영상은 영상 화질이 크게 개선된 것이 장점이다.^[13]null

파일럿 톤

파일럿 톤 방법은 환자의 움직임을 감지하기 위해 일정한 RF 주파수를 켜는 것을 포함한다.구체적으로는, MRI 기계가 이미지를 획득할 때 파일럿 톤 신호를 감지한다.모든 TR에서 파일럿 톤 신호의 강도는 환자의 호흡/운동 패턴에 비례한다.즉, 환자의 움직임에 따라 수신된 일정한 RF 톤이 진폭 변조된다.파일럿 톤의 매우 큰 장점은 환자와 접촉할 필요가 없다는 것이다.파일럿 톤을 사용하여 호흡 신호를 추출하는 것은 이론적으로 간단하다.MRI 보어 근처에 일정한 주파수 신호를 배치하고 이미지를 획득한 후 판독 방향을 따라 FFT를 취하여 파일럿 톤을 추출해야 한다.기술적 고려사항에는 RF 주파수 선택이 포함된다.파일럿 톤은 MRI 기계로 감지할 수 있어야 하지만 MRI 영상에 간섭하지 않도록 주의 깊게 선택해야 한다.파일럿 톤은 지퍼(카테시안 획득용)로 나타난다.^[14]null

그 라인의 위치는 RF 톤의 주파수에 의해 결정된다.이러한 이유로 파일럿 톤 획득은 파일럿 톤을 위한 공간을 확보하기 위해 일반적으로 약간 큰 FOV를 가진다.일단 이미지를 획득한 후에는 판독 방향을 따라 FFT를 가져오고 결과 신호의 진폭을 표시하여 파일럿 톤 신호를 추출할 수 있다.판독 방향을 따라 FFT를 취할 때 파일럿 톤이 선(진폭 변화량)으로 나타난다.파일럿 톤 방법은 심장 영상을 획득하는 데도 전진적으로 사용할 수 있다.^[15]null

파일럿 톤 방법은 호흡 동작 아티팩트를 검출하는 데 아주 좋다.인간의 호흡 패턴으로 인해 매우 크고 뚜렷한 변조가 있기 때문이다.심장 신호는 파일럿 톤으로 감지하기 훨씬 더 미묘하고 어렵다.파일럿 톤을 이용한 소급 기법은 디테일의 수준을 높이고 자유분방한 방사형 영상의 흐림을 줄일 수 있다.^[14]null

타머

TAMER(Targeted Motion Estimation and Reduction, TAMER)는 멜리사 하스켈, 스티븐 콜리, 로렌스 월드가 개발한 소급 운동 보정 방법이다.이 방법은 그들의 논문 TAMER(Targeted Motion Assessment and Reduction: TAMER)에서 처음 소개되었다. 의료 영상 저널의 IEEE Transactions on Medical Imaging Journal(IEEE Transactions on Medical Imaging Journal)^[16]의 일부로 축소된 모델 접합 최적화를 사용한 MRI에 대한 일관성 기반 움직임 완화.이 방법은 강체-주체 운동을 포함하는 SENSE 전진 모델의 데이터 일관성 오류를 최소화하여 원하는 무동작 이미지와 관련 운동 궤적을 공동 추정하여 모션 관련 아티팩트를 교정한다.^[16]null

예선

TAMER 방법은 2D 멀티샷 영상 시퀀스에 모션 효과를 포함하도록 수정된 SENSE 전진 모델(아래 설명)을 활용한다.참고: 다음의 수정된 SENSE 모델은 멜리사 하스켈의 박사학위 논문인 자기공명영상 소급 운동 보정에서 자세히 설명된다.^[17]null

$C$ $C$ 코일이 $C$ 있다고 가정해 보십시오.Let $x$ be a $nN_{sh}\times 1$ column vector of image voxel values where $n$ is the number of k space samples acquired per shot and let $s$ be the $nN_{sh}C\times 1$ signal data from ${\displa$ $Ystyle C}$ 코일 $C$ .Let $E_{\theta }{\text{ be an }}nN_{sh}C\times nN_{sh}$ encoding matrix for a given $M\times 1$ patient motion trajectory vector, $\theta$ . $E_{\theta }$ is composed of ${\displaystyl$ $e N_{sh}}$ 많은 $N_{sh}$ $nC\times nN_{sh}$ $nC\times nN_{sh}$ $nC\times nN_{sh}$ N $nC\times nN_{sh}$ h $nC\times nN_{sh}$ {\ $displaystyle nC\times nN_{sh}$ 하위 $nC\times nN_{sh}$ $E_{\theta _{i}}=U_{i}FCT_{xy,i}T_{z,i}R_{i}$ E $E_{\theta _{i}}=U_{i}FCT_{xy,i}T_{z,i}R_{i}$ i = $E_{\theta _{i}}=U_{i}FCT_{xy,i}T_{z,i}R_{i}$ $E_{\theta _{i}}=U_{i}FCT_{xy,i}T_{z,i}R_{i}$ $E_{\theta _{i}}=U_{i}FCT_{xy,i}T_{z,i}R_{i}$ $E_{\theta _{i}}=U_{i}FCT_{xy,i}T_{z,i}R_{i}$ $E_{\theta _{i}}=U_{i}FCT_{xy,i}T_{z,i}R_{i}$ $E_{\theta _{i}}=U_{i}FCT_{xy,i}T_{z,i}R_{i}$ $E_{\theta _{i}}=U_{i}FCT_{xy,i}T_{z,i}R_{i}$ , $E_{\theta _{i}}=U_{i}FCT_{xy,i}T_{z,i}R_{i}$ I $E_{\theta _{i}}=U_{i}FCT_{xy,i}T_{z,i}R_{i}$ $E_{\theta _{i}}=U_{i}FCT_{xy,i}T_{z,i}R_{i}$ R $E_{\theta _{i}}=U_{i}FCT_{xy,i}T_{z,i}R_{i}$ ${\$ $U_{i}FCT_{xy,i}T_{z,i_{i}}}($ 각 샷 $i$ $i$ 에 대해 행렬을 인코딩함). $i$ null

각 샷 $i$ ${\displaystyle$ i $i$ 에 대해 하위 매트릭스 $E_{\theta _{i}}=U_{i}FCT_{xy,i}T_{z,i}R_{i}$ $E_{\theta _{i}}=U_{i}FCT_{xy,i}T_{z,i}R_{i}$ i $E_{\theta _{i}}=U_{i}FCT_{xy,i}T_{z,i}R_{i}$ = U $E_{\theta _{i}}=U_{i}FCT_{xy,i}T_{z,i}R_{i}$ $E_{\theta _{i}}=U_{i}FCT_{xy,i}T_{z,i}R_{i}$ C $E_{\theta _{i}}=U_{i}FCT_{xy,i}T_{z,i}R_{i}$ $E_{\theta _{i}}=U_{i}FCT_{xy,i}T_{z,i}R_{i}$ $E_{\theta _{i}}=U_{i}FCT_{xy,i}T_{z,i}R_{i}$ $E_{\theta _{i}}=U_{i}FCT_{xy,i}T_{z,i}R_{i}$ z $E_{\theta _{i}}=U_{i}FCT_{xy,i}T_{z,i}R_{i}$ $E_{\theta _{i}}=U_{i}FCT_{xy,i}T_{z,i}R_{i}$ R $E_{\theta _{i}}=U_{i}FCT_{xy,i}T_{z,i}R_{i}$ ${\$ 가 있다. $U_{i}FCT_{xy,i}T_{z,i}R_{i}}}}$ 은 $E_{\theta _{i}}=U_{i}FCT_{xy,i}T_{z,i}R_{i}$ (는) 특정 샷 i $i$ 에 대한 인코딩 매트릭스 입니다. 여기서 $i$ :

$U_{i}$ $U_{i}$ ${\$ 는 $U_{i}$ n $nC\times nN_{sh}C$ $nC\times nN_{sh}C$ $nC\times nN_{sh}C$ s $nC\times nN_{sh}C$ $nC\times nN_{sh}C$ ${\displaystyle$ nC\ $times nN_{sh}C}$ 언더샘플링 $nC\times nN_{sh}C$ 연산자임

$F$ $F$ 은 $F$ (는) 푸리에 인코딩 연산자임

$T_{xy,i}$ $T_{xy,i}$ $T_{xy,i}$ , $T_{xy,i}$ ${\$ 은 $T_{xy,i}$ (는) 인플레이스 번역 연산자다.

$T$ $z$ , $i$ $Tz,i$ 은 $Tz,i$ (는) 관통면 변환 연산자임

$R_{i}$ $R_{i}$ ${\$ 은 $R_{i}$ (는) 회전 연산자임

SENSE Motion Forward Model: $s=Ex$ = $s=Ex$ $s=Ex$ $s=Ex$

SENSE 모델 확장 2D 멀티샷 영상 시퀀스를 설명:

s=E_{\theta }x{\text{{}여기서 }E_{\begin{pmatrix}E_{\ta _{1}\\\\\E_{\theta _{2}}\\\\\\\\\\E_{\theta_{Nsh}\end{pmatrix}{\text}{\e_{{i}=U_{i}FCT_{xy,i}T_{z,i}R_{i}{\text{{{}}{{}}}{\text{{{}}}}}}촬영용 }i=1,2,...,N_{sh}}}}

강체-신체 운동 전방 모델은 비선형이며 운동 궤적과 영상 볼륨 모두의 추정을 위한 해결 프로세스는 계산적으로 도전적이고 시간이 많이 소요된다.계산 속도를 높이고 단순화하기 위한 노력에서 TAMER 방법은 이미지 복셀 값 $x$ ${\displaystyle$ x $x$ 의 벡터를 대상 복셀 값의 벡터, $x_{t}$ $x_{t}$ ${\$ 고정 복셀의 벡터, $x_{f}$ {\ $displaystyle x_{f$ 대상 복셀과 고정 복셀의 모든 선택권을 가지고 있다.다음 사항:

$x={\binom {x_{t}{x_{f}}}}}$

$s=s_{t}+s_{f}=E_{\teta }(t)x_{t}+E_{\theta }(f)x_{f}$ $s_{t}=s-E_{\ta }(f)x_{f}=E_{\ta }(t)x_{t}}$

참고: $x_{t}$ $x_{t}$ ${\$ 의 길이는 $x$ $x$ 의 전체 길이의 약 5%만 $x_{t}$ 차지한다 $x$

이제 최적화를 줄여 대상 복셀의 신호 기여도를 올바른 $x_{t}$ 복셀 값 $x_{t}$ ${\$ 에 맞추고, 올바른 $x_{t}$ 동작인 $\theta$ {\ $displaystyle \ta}$ 에 맞출 수 있다 $\theta$

TAMER 알고리즘

TAMER 알고리즘은 다음과 같은 3가지 주요 단계를 가진다.초기화, 모션 매개변수 검색의 Jumpstart 및 접합 최적화 축소 모형 검색.null

초기화:TAMER 알고리즘의 첫 번째 단계는 모든 모션 파라미터가 0이라고 가정하여 전체 영상 볼륨의 초기 재구성인 $x_{0}$ 0 ${\$ 을 획득한다 $x_{0}$ 동작 없이 SENSE 전진 모델의 최소 제곱 오차(E0 $x_{0}$ H $(E_{0}^{H}E_{0})x_{0}=E_{0}^{H}s$ $(E_{0}^{H}E_{0})x_{0}=E_{0}^{H}s$ ) $(E_{0}^{H}E_{0})x_{0}=E_{0}^{H}s$ x $(E_{0}^{H}E_{0})x_{0}=E_{0}^{H}s$ = $(E_{0}^{H}E_{0})x_{0}=E_{0}^{H}s$ $(E_{0}^{H}E_{0})x_{0}=E_{0}^{H}s$ $(E_{0}^{H}E_{0})x_{0}=E_{0}^{H}s$ $(E_{0}^{H}E_{0})x_{0}=E_{0}^{H}s$ ${\displaystyle (E_{0}^{0$ }^{ $0}E_$ {0}x_ ${$ $}=}}}$ 을(를) 최소화하여 $x_{0}$ 0 ${\$ )을 해결할 수 있다. $E_{0}^{H}s}$ 여기서 $(E_{0}^{H}E_{0})x_{0}=E_{0}^{H}s$ $E_{0}=UFC$ $E_{0}=UFC$ = $E_{0}=UFC$ $E_{0}=UFC$ $E_{0}=UFC$ ${\displaystyle E_{0}=$ $UFC}$ 및 $E_{0}=UFC$ $E_{0}^{H}$ $E_{0}^{H}$ H ${\$ 0}} $H}}$ 은 $E_{0}^{H}$ E ${\$ 의 공극 트랜스포즈 입니다 $E_{0}$ ^[16]감지 모델을 $s=s_{t}+s_{f}=E_{\theta }(t)x_{t}+E_{\theta }(f)x_{f}$ = $s=s_{t}+s_{f}=E_{\theta }(t)x_{t}+E_{\theta }(f)x_{f}$ $s=s_{t}+s_{f}=E_{\theta }(t)x_{t}+E_{\theta }(f)x_{f}$ + $s=s_{t}+s_{f}=E_{\theta }(t)x_{t}+E_{\theta }(f)x_{f}$ $s=s_{t}+s_{f}=E_{\theta }(t)x_{t}+E_{\theta }(f)x_{f}$ = $s=s_{t}+s_{f}=E_{\theta }(t)x_{t}+E_{\theta }(f)x_{f}$ $s=s_{t}+s_{f}=E_{\theta }(t)x_{t}+E_{\theta }(f)x_{f}$ ( $s=s_{t}+s_{f}=E_{\theta }(t)x_{t}+E_{\theta }(f)x_{f}$ ) $s=s_{t}+s_{f}=E_{\theta }(t)x_{t}+E_{\theta }(f)x_{f}$ t $s=s_{t}+s_{f}=E_{\theta }(t)x_{t}+E_{\theta }(f)x_{f}$ + $s=s_{t}+s_{f}=E_{\theta }(t)x_{t}+E_{\theta }(f)x_{f}$ $s=s_{t}+s_{f}=E_{\theta }(t)x_{t}+E_{\theta }(f)x_{f}$ ( $s=s_{t}+s_{f}=E_{\theta }(t)x_{t}+E_{\theta }(f)x_{f}$ ) x θ ( ) $s=s_{t}+s_{f}=E_{\theta }(t)x_{t}+E_{\theta }(f)x_{f}$ x f ${\$ 로 분리하는 개념에 대해 논의하였다. $=E_{\teta }(t)x_{t}+$ $E_{\theta }(f)x_{f$ 그러나 아직 대상 복셀을 선택하는 방법에 대해서는 논의하지 않았다.서로 강하게 연결된 복셀은 움직임을 나타낸다.무동력 카르테시아 인수에 있어서, 각각의 복셀은 그 자체로만 결합될 수 있기 때문에, 우리의 목표는 기본적으로 이 복셀들을 분리하는 것이다.TAMER(Targeted Motion Assessment and Reduction): 축소된 모델 접합 최적화를 사용한 MRI에 대한 일관성 기반 운동 완화(Consistency Based Motion Emaging Journal)에서 설명한 바와 같이, TAMER 알고리즘은 결합도가 높은 대상 복셀을 선택할 때 가장 빠르게 수렴된다.^[16] 대상 복셀은 시퀀스 파라미터와 코일 민감도에 의해 완전히 결정될 수 있다.^[16]null

대상 복셀 선택 프로세스:

아티팩트 속성에 따라 코일을 그룹화하십시오.모델 오류는 모션이 없다고 가정하여 먼저 계산한다.모델 상관관계는 모든 채널에 걸쳐 계산된다.TAMER는 모션 및 영상 추정을 달성하기 위해 상관관계 아티팩트가 가장 큰 코일 그룹에 적용된다.^[17]
초기 대상 복셀은 먼저 루트 복셀(일반적으로 영상의 중심)을 선택하여 선택한다.루트 복셀을 선택한 후에는 루트 복셀과 다른 모든 복셀 간의 상관관계는 루트 복셀에 해당하는 $E^{H}E$ 상관관계 $E^{H}E$ E H $E^{H}E$ $E^{H}E$ 의 열 벡터에 도달하여 결정된다.이 열 벡터에 있는 항목의 크기는 루트 복셀과 다른 모든 복셀 사이의 상호작용 강도를 나타낸다.^[16]루트 복셀과 함께 루트 복셀과 가장 강한 상호작용을 하는 복셀을 초기 대상 복셀로 선택한다.

참고: TAMER 프로세스의 각 반복에 대해 목표 복셀을 이전 반복에서 사전 설정된 양만큼 위상 인코딩 방향으로 수직으로 이동하여 선택한다.null

모션 매개 변수 검색의 점프 시작:

$이제$ M {\ $displaystyle M}$ 모션 $M$ 매개 변수에 대한 값 범위에서 데이터 일관성 메트릭을 평가하여 환자의 모션에 대한 초기 추측을 결정하고 각 모션에 대한 최적의 값을 선택하여 초기 추측을 구성한다 $.$ ^[17]null

공동 최적화 축소 모형 검색:

우리는 이제 초기 목표 복셀, 모션 추정치, 코일 그룹을 가지고 있다.이제 다음과 같은 절차가 실행된다.null

$\theta ^{(i)}$ ( $){\$ 을(를) $i^{th}$ $i^{th}$ $i^{th}$ ${\$ 검색 $i^{th}$ 단계에 대한 이동 궤적 추정치로 $\theta ^{(i)}$ 설정한다. $i_{max}$ {\ $displaystyle i_{max}$ 를 최대 $i_{max}$ 반복 횟수로 한다.null

$i<i_{max}{\text{ and }}\nabla ^{(i)}>\Delta \epsilon _{max}$ < $i<i_{max}{\text{ and }}\nabla ^{(i)}>\Delta \epsilon _{max}$ 는 $i<i_{max}{\text{ and }}\nabla ^{(i)}>\Delta \epsilon _{max}$ 와 $i<i_{max}{\text{ and }}\nabla ^{(i)}>\Delta \epsilon _{max}$ ( $i<i_{max}{\text{ and }}\nabla ^{(i)}>\Delta \epsilon _{max}$ $i<i_{max}{\text{ and }}\nabla ^{(i)}>\Delta \epsilon _{max}$ > $i<i_{max}{\text{ and }}\nabla ^{(i)}>\Delta \epsilon _{max}$ $i<i_{max}{\text{ and }}\nabla ^{(i)}>\Delta \epsilon _{max}$ $i<i_{max}{\text{ and }}\nabla ^{(i)}>\Delta \epsilon _{max}$ 은 x ${\$ i $<i_{max}{\text}{\nabla ^{(i)}}}\Delta \epsilon _{max}}$ 은(으 $i<i_{max}{\text{ and }}\nabla ^{(i)}>\Delta \epsilon _{max}$ )를 반복한다.

Solve for $s_{t}^{\left(i\right)}\,\to s_{t}^{\left(i\right)}\,=\,s\,-\,E_{\theta ^{\left(i\right)}}\left(f\right)x_{f}=\,E_{\theta ^{\left(i\right)}}\left(t\right)x_{t}$
$x_{t}^{\left(i\right)}\,\to E_{\theta ^{\left(i\right)}}^{H}\left(t\right)E_{\theta ^{\left(i\right)}}\left(t\right)\,x_{t}^{\left(i\right)}=\,E_{\theta ^{\left(i\right)}}^{H}\left(t\right)x_{f}$ $x_{t}^{\left(i\right)}\,\to E_{\theta ^{\left(i\right)}}^{H}\left(t\right)E_{\theta ^{\left(i\right)}}\left(t\right)\,x_{t}^{\left(i\right)}=\,E_{\theta ^{\left(i\right)}}^{H}\left(t\right)x_{f}$ ( $x_{t}^{\left(i\right)}\,\to E_{\theta ^{\left(i\right)}}^{H}\left(t\right)E_{\theta ^{\left(i\right)}}\left(t\right)\,x_{t}^{\left(i\right)}=\,E_{\theta ^{\left(i\right)}}^{H}\left(t\right)x_{f}$ i $x_{t}^{\left(i\right)}\,\to E_{\theta ^{\left(i\right)}}^{H}\left(t\right)E_{\theta ^{\left(i\right)}}\left(t\right)\,x_{t}^{\left(i\right)}=\,E_{\theta ^{\left(i\right)}}^{H}\left(t\right)x_{f}$ ) $x_{t}^{\left(i\right)}\,\to E_{\theta ^{\left(i\right)}}^{H}\left(t\right)E_{\theta ^{\left(i\right)}}\left(t\right)\,x_{t}^{\left(i\right)}=\,E_{\theta ^{\left(i\right)}}^{H}\left(t\right)x_{f}$ → $x_{t}^{\left(i\right)}\,\to E_{\theta ^{\left(i\right)}}^{H}\left(t\right)E_{\theta ^{\left(i\right)}}\left(t\right)\,x_{t}^{\left(i\right)}=\,E_{\theta ^{\left(i\right)}}^{H}\left(t\right)x_{f}$ $x_{t}^{\left(i\right)}\,\to E_{\theta ^{\left(i\right)}}^{H}\left(t\right)E_{\theta ^{\left(i\right)}}\left(t\right)\,x_{t}^{\left(i\right)}=\,E_{\theta ^{\left(i\right)}}^{H}\left(t\right)x_{f}$ ( $x_{t}^{\left(i\right)}\,\to E_{\theta ^{\left(i\right)}}^{H}\left(t\right)E_{\theta ^{\left(i\right)}}\left(t\right)\,x_{t}^{\left(i\right)}=\,E_{\theta ^{\left(i\right)}}^{H}\left(t\right)x_{f}$ i $x_{t}^{\left(i\right)}\,\to E_{\theta ^{\left(i\right)}}^{H}\left(t\right)E_{\theta ^{\left(i\right)}}\left(t\right)\,x_{t}^{\left(i\right)}=\,E_{\theta ^{\left(i\right)}}^{H}\left(t\right)x_{f}$ ) H $x_{t}^{\left(i\right)}\,\to E_{\theta ^{\left(i\right)}}^{H}\left(t\right)E_{\theta ^{\left(i\right)}}\left(t\right)\,x_{t}^{\left(i\right)}=\,E_{\theta ^{\left(i\right)}}^{H}\left(t\right)x_{f}$ ( $x_{t}^{\left(i\right)}\,\to E_{\theta ^{\left(i\right)}}^{H}\left(t\right)E_{\theta ^{\left(i\right)}}\left(t\right)\,x_{t}^{\left(i\right)}=\,E_{\theta ^{\left(i\right)}}^{H}\left(t\right)x_{f}$ ) $x_{t}^{\left(i\right)}\,\to E_{\theta ^{\left(i\right)}}^{H}\left(t\right)E_{\theta ^{\left(i\right)}}\left(t\right)\,x_{t}^{\left(i\right)}=\,E_{\theta ^{\left(i\right)}}^{H}\left(t\right)x_{f}$ ( $x_{t}^{\left(i\right)}\,\to E_{\theta ^{\left(i\right)}}^{H}\left(t\right)E_{\theta ^{\left(i\right)}}\left(t\right)\,x_{t}^{\left(i\right)}=\,E_{\theta ^{\left(i\right)}}^{H}\left(t\right)x_{f}$ ) X $x_{t}^{\left(i\right)}\,\to E_{\theta ^{\left(i\right)}}^{H}\left(t\right)E_{\theta ^{\left(i\right)}}\left(t\right)\,x_{t}^{\left(i\right)}=\,E_{\theta ^{\left(i\right)}}^{H}\left(t\right)x_{f}$ ( $x_{t}^{\left(i\right)}\,\to E_{\theta ^{\left(i\right)}}^{H}\left(t\right)E_{\theta ^{\left(i\right)}}\left(t\right)\,x_{t}^{\left(i\right)}=\,E_{\theta ^{\left(i\right)}}^{H}\left(t\right)x_{f}$ ) $x_{t}^{\left(i\right)}\,\to E_{\theta ^{\left(i\right)}}^{H}\left(t\right)E_{\theta ^{\left(i\right)}}\left(t\right)\,x_{t}^{\left(i\right)}=\,E_{\theta ^{\left(i\right)}}^{H}\left(t\right)x_{f}$ = $x_{t}^{\left(i\right)}\,\to E_{\theta ^{\left(i\right)}}^{H}\left(t\right)E_{\theta ^{\left(i\right)}}\left(t\right)\,x_{t}^{\left(i\right)}=\,E_{\theta ^{\left(i\right)}}^{H}\left(t\right)x_{f}$ ( $x_{t}^{\left(i\right)}\,\to E_{\theta ^{\left(i\right)}}^{H}\left(t\right)E_{\theta ^{\left(i\right)}}\left(t\right)\,x_{t}^{\left(i\right)}=\,E_{\theta ^{\left(i\right)}}^{H}\left(t\right)x_{f}$ ) H $x_{t}^{\left(i\right)}\,\to E_{\theta ^{\left(i\right)}}^{H}\left(t\right)E_{\theta ^{\left(i\right)}}\left(t\right)\,x_{t}^{\left(i\right)}=\,E_{\theta ^{\left(i\right)}}^{H}\left(t\right)x_{f}$ ( $x_{t}^{\left(i\right)}\,\to E_{\theta ^{\left(i\right)}}^{H}\left(t\right)E_{\theta ^{\left(i\right)}}\left(t\right)\,x_{t}^{\left(i\right)}=\,E_{\theta ^{\left(i\right)}}^{H}\left(t\right)x_{f}$ ) $x_{t}^{\left(i\right)}\,\to E_{\theta ^{\left(i\right)}}^{H}\left(t\right)E_{\theta ^{\left(i\right)}}\left(t\right)\,x_{t}^{\left(i\right)}=\,E_{\theta ^{\left(i\right)}}^{H}\left(t\right)x_{f}$ $x_{t}^{\left(i\right)}\,\to E_{\theta ^{\left(i\right)}}^{H}\left(t\right)E_{\theta ^{\left(i\right)}}\left(t\right)\,x_{t}^{\left(i\right)}=\,E_{\theta ^{\left(i\right)}}^{H}\left(t\right)x_{f}$ ${\$ t}^{\t $(i\$ right)}\,\ $to E_{\ta ^{{\$ ta $(i\rift$ )}}}}}}}}}}}^{{{{{\ta $}}}}}}}}}}}}}}}}}}}}}}}}}}}{{{{{$ $H}\왼쪽(t\오른쪽)$ $E_{\ta ^{\teta ^{\좌(i\우)}\,x_{t}^{\좌(i\우)}=\,E_{\ta ^{\좌(i\우)}}}^{{\eta ^{\좌(i\우)}}}^{{{}}}}}}}}^{$ $H}\왼쪽(t\오른쪽)x_{f}}$
$\epsilon ^{(i)}=||s-E_{\theta ^{(i)}}x^{(i)}||$ ( $\epsilon ^{(i)}=||s-E_{\theta ^{(i)}}x^{(i)}||$ ) = $\epsilon ^{(i)}=||s-E_{\theta ^{(i)}}x^{(i)}||$ - $\epsilon ^{(i)}=||s-E_{\theta ^{(i)}}x^{(i)}||$ $\epsilon ^{(i)}=||s-E_{\theta ^{(i)}}x^{(i)}||$ ( $\epsilon ^{(i)}=||s-E_{\theta ^{(i)}}x^{(i)}||$ ) $\epsilon ^{(i)}=||s-E_{\theta ^{(i)}}x^{(i)}||$ ( $\epsilon ^{(i)}=||s-E_{\theta ^{(i)}}x^{(i)}||$ ) $displaystyle \epsilon ^{(i)}=s-E_{\teta ^{{(i)}$ x^{( $i)}}}}}$
Set ${\displaystyle \,\theta ^{\left(i+1\right)}\,=\,\theta ^{\left(i\right)}\,+\,\nabla ^{\left(i\right)}\,\to \,\,\nabla ^{\left(i\right)}\,=\epsilon ^{(i)}- s-$ $E_{\\좌(\theta ^{\좌(i\우)}\,+\,d\d\\theta ^{\좌(i\우)\,}x^{\좌(i\우)}_{2}}:$
$i=i+1$ i $i=i+1$ = $i=i+1$ + 1 $i=i+1$

TAMER: 장점과 단점

장점:

TAMER는 소급적으로 움직임을 교정하므로 MRI 검사 절차의 수정이 필요하지 않다.
TAMER는 획득 절차를 변경하지 않기 때문에 현재의 임상 MRI 스캔에 쉽게 통합될 수 있다.null
TAMER는 모션 파라미터와 영상 복셀을 추정하는 데 사용되는 접합 최적화 모델의 연산을 상당히 감소시킨다.

단점:

현재 TAMER 구현은 전체 계산 시간이 길다.
TAMER는 모션 파라미터가 멀티채널 획득에 의해 제공되는 추가적인 자유도를 필요로 하기 때문에 다채널 데이터를 요구한다.^[16]
TAMER 알고리즘은 환자의 움직임에 따라 변경되지 않는 정적 코일 프로파일을 가정한다.이 가정은 더 큰 움직임의 쟁점이 될 것이다.

신경망 접근법

최근 몇 년 동안 신경망은 여러 분야에 걸쳐 오랫동안 지속되어온 문제들에 대한 전통적인 방법들을^[18] 능가함으로써 많은 관심을 불러일으켰다.기계 학습, 그리고 확장자에 의한 신경 네트워크는 MRI의^[19] 많은 면에서 사용되어 왔다. 예를 들어, 데이터 부족을 가지고 작업할 때 영상 재구성을 가속화하거나 재구성 품질을 향상시키는 것이다.^[20]^[21]신경망은 또한 데이터로부터 시각적 정보를 배울 수 있는 능력,^[18] 그리고 데이터에 내재된 잠재된 표현을 유추할 수 있는 능력 덕분에 움직임 인공물 보정에도 사용되었다.^[22]null

나머

NAMER(^[23]Network Accelerated Motion Assessment and Reduction)는 영상 등 시각 정보를 처리하고 학습하도록 설계된 신경망의 한 종류인 경련신경망(CNN)을 활용한 소급 운동 보정 기법이다.이는 TAMER 논문 '네트워크 가속운동 추정 및 감소(NAMER)'의 저자들이 작성한 후속조치로, 분리형 운동 모델을 이용한 경동신경망 유도 소급 운동 보정이다.^[23]TAMER와 마찬가지로, 본 논문은 강체 모션을 고려하면서 원시 k-공간 데이터와 영상 공간의 관계를 기술하는 SENSE 전진 모델의 매개변수를 최적화하고 원하는 무동작 영상을 추정하는 방법으로 모션 관련 아티팩트에 대한 수정을 목표로 한다.null

세우다

SENSE Forward 모델은 원시 k-space 데이터에서 합성 모션 아티팩트를 유도하기 위해 사용되어 모션 아티팩트가 없는 지상 진실 영상뿐만 아니라 모션 아티팩트가 있는 데이터 모두에 접근할 수 있다.이는 NAMER 기법에 중요한데, 이는 CNN(Convolutional Neural Network)을 활용하여 영상 추정을 프런트로드하고 모델 파라미터 추정을 안내하기 때문이다.Convolutional Neural Networks는 콘볼루션 커널을 활용하여 시각적 이미지를 분석한다.여기서, 복수의 콘볼루션 레이어, 배치 표준화, ReLU 활성화와 함께 27층 네트워크가 사용된다.표준 ADAM 옵티마이저를 사용한다.^[24]null

이미지 추정

CNN은 동작이 손상된 입력 $데이터$ x ${\displaystyle$ x $}$ 로부터 영상 아티팩트를 배우려 한다 $x$ ${\textstyle CNN(x)}$ N ${\textstyle CNN(x)}$ ( ${\textstyle CNN(x)}$ ) ${\textstyle CNN(x$ 으)로 표시된 이러한 아티팩트의 추정치는 무동작 이미지에 대한 최적의 추정치를 산출하기 위해 $x$ 동작 손상 입력 데이터 $x$ ${\displaystyle$ x $}$ 에서 차감한다.^[23]

x_{CNN}=x-CNN(x)

이것은 두 가지 목적에 해당된다.첫째,

{\textstyle x_{CNN}}

은 CNN이 역제안 수행과 x

{\textstyle x_{CNN}}

{\textstyle x_{CNN}}

{\

CNN

}}

과

{\textstyle x_{CNN}}

(와) 알려진 지상 사실 무동작 이미지의 차이를 비교하는 평균 제곱 오차 손실 함수를 사용하여 모델 가중치를 갱신할 수 있도록 한다.^[23]둘째, 무동작 이미지에 대한 좋은 추정치를 제공함으로써 모델 매개변수 최적화의 출발점을 제공한다.null

SENSE 모델 파라미터 최적화

CNN을 사용하면 공동 매개변수 검색을 건너뛰어 TAMER의 2단계를 효과적으로 우회할 수 있다. ${\textstyle \theta }$ 는 운동 매개변수 ${\textstyle \theta}$ 만을 추정하는 데 집중할 수 있다는 것을 의미한다 ${\textstyle \theta }$ . ${\textstyle \theta}$ 는 실제로 복수의 ${\textstyle \theta }$ 독립 매개변수의 벡터이기 때문에 각 매개변수를 별도로 추정하여 최적화를 병렬화할 수 있다.^[23]null

최적화 절차 최적화

이전에는 이미지 $x$ ${\displaystyle$ x $}$ 과(와) 매개 $x$ 변수 ${\textstyle \theta }$ {\ $textstyle \theta }$ 을(를) 한 번에 ${\textstyle \theta }$ 최적화하기 위해 다음을 사용했다.이제 ${\textstyle \theta }$ ${\textstyle \theta}$ 값만 ${\textstyle \theta }$ 최적화할 수 있다.

{\hata}}=argmin_{\theta }\Vert s-E_{\theta }{}x_{CNN}\Vert _{2}

여기에 멀티샷 획득이 수행된 경우, $각$ n $n$ {\ $displaystyle n}$ 샷에 대해 ${\textstyle \theta _{n}}$ 각각 ${\textstyle \theta _{n}}$ {\ $textstyle$ $\theta_$ ${n}$ 파라미터를 개별적으로 추정할 수 있으며, ${\textstyle \theta _{n,l}}$ $라인$ $l$ {\displaystyle $l}$ 에 $l$ 대한 ${\textstyle \theta _{n,l}}$ 파라미터 ${\textstyle \theta _{n,l}}$ l ${\daystyle$ _ ${n,l}$ 을 추정하여 더욱 진전시킬 수 있다. $디스플레이$ 스타일 $n}$ ^[23]:

{\displaystyle {\hata}{\n,l}=argmin_{n,l}\theta_{n,l}\vert s_{n,l}-E_{\theta_{n,l}x_{n,l}}}{n,l}x_{{\ta}}}}}{{{}}}}}}}}}}}}}}}}}CNN}\Vert _{2}}:

이를 통해 TAMER의^[16] 경우 약 50분에서 NAMER의 경우 단 7분으로 계산 시간을 크게 단축할 수 있다.^[23]

재건

그런 다음 새로운 모델 매개변수가 표준 최소 제곱 최적화 문제에 사용되어 $E_{\hat {\theta }}$ 데이터 사이의 거리를 최소화하는 이미지를 재구성하고 SENSE 전진 모델 $E_{\hat {\theta }}$ ^ $^$ {\ $displaystyle$ E_ ${\hat{\theta}}}$ 을(를) 새로운 매개변수 ${\textstyle {\hat {\theta }}}$ ${\textstyle {\hat {\theta }}}$ ^ {\ $textstyle {\\\\ta }$ 에 $E_{\hat {\theta }}$ 적용한 결과무동작 이미지에 대한 최선의 추정치 $:$ ^[23]

{\displaystyle [{\hat {{x}}]=arg\min _{x}\Vert s-E_{\hat {\theta }}}x\Vert _{2}}:

이 과정은 원하는 시간 단계 수 또는 재구성된 영상의 변화가 충분히 낮을 때까지 반복된다.NAMER 기법은 경직된 모션 아티팩트를 교정하는 데 매우 효과적이며, TAMER를 포함한 다른 방법보다 훨씬 빠르게 수렴되는 것을 보여주었다.^[23]이것은 무수한 분야에 걸쳐 성과를 개선하는 데 있어서 심층 학습의 힘을 보여준다.null

생성적 적대적 네트워크

다른 더 진보된 기법들은 실제 데이터와 구별할 수 없는 새로운 예들을 합성하기 위해 데이터의 내재된 잠재적 표현을 배우는 것을 목표로 하는 생성적 대립 네트워크(GANs)를 이용한다.여기서 두 개의 신경 네트워크인 제너레이터 네트워크와 판별 네트워크는 게임에서 경쟁하는 에이전트로 모델링된다.제너레이터 네트워크의 목표는 실제 배포에서 가능한 한 영상에 가까운 합성 영상을 생성하는 것이고, 판별기 네트워크의 목표는 생성된 합성 영상을 실제 데이터 배포에서 구별하는 것이다.MRI에서 모션 아티팩트를 보정하기 위해 제너레이터 네트워크는 모션 아티팩트가 있는 이미지를 촬영하고 모션 아티팩트가 없는 이미지를 출력한다.그런 다음 판별기 네트워크는 합성된 영상과 지면 진리 데이터를 구별한다.다양한 연구는^[25]^[26] GANs가 모션 아티팩트를 교정하는데 매우 좋은 성능을 보인다는 것을 보여주었다.null

RF (B1) 비균질성 보정

외물

B1 체조직의 허용성에 의한 건설적 또는 파괴적 간섭에 의한 비균질성은 유전체 상수가 높고 전도성이 낮은 외부 물체를 이용하여 완화시킬 수 있다.^[27]이러한 물체들은 무선주파수/유전 쿠션이라 불리며, B1 동질성을 개선하기 위해 영상 슬라이스 위나 근처에 배치할 수 있다.높은 유전체 상수와 낮은 전도성의 조합으로 쿠션은 RF 스탠딩파의 위상을 변경할 수 있으며, B1의 비질성으로 인한 신호 손실을 감소시키는 것으로 나타났다.이 보정방법은 B1의 비균질성 아티팩트로 고통받지만 B0 비균질성 시퀀스에는 가장 큰 영향을 미치지 않는 것으로 나타났다.한 연구에서 유전체 쿠션은 터보 스핀 에코 기반 T2–가중 시퀀스에 대한 영상 화질을 개선했지만 그라데이션 에코 기반 T2–가중 시퀀스에 대해서는 개선되지 않았다.^[27]null

코일 완화 보정

B1 비균질성은 코일 유형과 구성을 조정하여 성공적으로 완화되었다.null

코일 수 감소

한 가지 방법은 동질성을 향상시키기 위해 동일한 송신과 수신 코일을 사용하는 것처럼 간단하다.^[28]이 방법은 FLASH 시퀀스에서 B1 의존성과 코일 민감도 의존성 사이의 트레이드오프를 이용하며 사용자가 B1 의존도를 줄일 수 있는 최적화된 플립 각도를 선택할 수 있다.송신과 수신을 위해 동일한 코일을 사용함으로써 수신기 코일 감도는 송신기 코일의 일부 불균일성을 상쇄시켜 전체적인 RF 비균형성을 감소시킬 수 있다.하나의 송수신 코일로 수행할 수 있는 FLASH 시퀀스를 이용한 해부학적 연구의 경우 B1의 비균질성 아티팩트를 줄이는 데 이 방법을 사용할 수 있다.그러나 이 방법은 사용자가 먼저 플립 각도 최적화를 수행해야 하기 때문에 엄격한 시간 제약 하에서 시험에 적합하지 않을 수 있다.null

코일 배설

RF 코일 내의 필드 분포를 수정하면 보다 균일한 필드가 생성된다.이는 RF 코일이 구동되고 흥분되는 방식을 변경함으로써 이루어질 수 있다.한 가지 방법은 각 포트에서 상이한 위상 이동을 적용하는 4포트 RF를 사용한다.^[29]4포트 드라이브를 구현함으로써 전력 요구량이 2 감소하고, SNR이 √2 증가하며, 전체적인 B1 동질성이 개선된다.null

나선코일

코일의 모양을 바꾸는 것은 B1의 불균형 유물을 줄이는 데 사용될 수 있다.더 높은 장에서 표준 코일 대신 나선 코일을 사용하는 것이 더 큰 표본에서 서 있는 파장의 영향을 제거하는 것으로 나타났다.^[30]이 방법은 4T 이상에서 대형 시료를 영상화할 때 효과적일 수 있지만, 이 보정 방법을 구현하기 위해서는 적절한 장비가 필요하다.후처리 또는 시퀀스 변조와는 달리 모든 스캐너에서 코일 모양을 변경하는 것은 가능하지 않다.null

코일을 사용한 병렬 배설

B1 비균질성을 교정하는 또 다른 방법은 하부 플립 각도의 다중 RF 펄스를 생성하기 위해 병렬 시스템에서 제자리에 있는 인프라를 채택하는 것이며, 이 두 가지 방법을 함께 사용하면 단일 송신 코일을 사용하여 생성된 것과 동일한 플립 각도를 얻을 수 있다.^[31]이 방법은 병렬 영상 시스템에서 다중 송신 코일을 사용하여 짧은 RF 펄스에 의존하여 RF 전력 침적을 줄이고 더 잘 완화한다.코일과 병렬 입력을 사용하는 한 가지 이점은 여러 개의 짧은 RF 펄스와 병렬 영상 기능을 결합하여 스캔 시간을 단축함으로써 스캔 시간을 단축할 수 있는 잠재력이다.전체적으로 이 방법을 RF 펄스의 정확한 선택과 함께 사용하고 저전력 증착에 최적화하면 B1의 비균형성을 크게 줄일 수 있다.null

능동 전력 변조

각 슬라이스 위치에 대한 RF 송신 전력을 능동적으로 변조하면 B1의 비균형성을 보상한다.^[32]이 방법은 동질성이 나쁘고 표본 의존도가 가장 낮기 때문에 축 방향, 즉 z축을 따라 비균질성에 초점을 맞춘다.null

비균질성 교정에 앞서 교정을 위해 코일의 z축을 따라 B1 프로파일을 측정해야 한다.교정이 완료되면 B1 데이터를 능동 전송 전력 변조에 사용할 수 있다.특정 펄스 시퀀스의 경우 각 슬라이스 위치의 값이 미리 결정되고 적절한 RF 송신기 전력 스케일 값이 조회 표에서 읽힌다.그런 다음 시퀀스가 실행되는 동안 실시간 슬라이스 카운터가 RF 송신 전력의 감쇠를 변화시킨다.^[32]null

이 방법은 특히 정확한 플립 각도가 중요하고 신호 대 잡음 비를 증가시킬 때 선원의 아티팩트를 줄이는 데 유리하다.이 기술은 축방향으로 획득한 영상에서 z축을 따라 B1 변동을 보정하는 데만 사용할 수 있지만, B1 비균질성이 이 축을 따라 가장 우세하기 때문에 여전히 중요하다.null

B1 무감각 단파 펄스

B1의 불균형에도 불구하고 완벽한 스핀 역전을 달성하는 한 가지 방법은 단파 펄스를 사용하는 것이다.이 보정 방법은 문제의 원인을 제거하고 플립 각도 오류를 발생시키지 않는 펄스를 적용하여 작동한다.플립 각도 균일성 증대를 위해 고유 펄스를 채택하는 특정 시퀀스에는 슬라이스 선택적 스핀-에코 펄스, 반전 180도 RF 펄스 및 180도 재결합 펄스가 포함된다.^[33] ^[34] ^[35]

영상 후 처리

이미지 영역에 걸쳐 동일한 조직의 IIH(강도의 비균질성)에 대해 보정된 후 처리 기술.이 방법은 일반적으로 B1 필드의 사전 획득한 IIH 맵에 기초하여 데이터에 필터를 적용한다.이미지 도메인에 있는 IIH의 맵이 알려진 경우, 미리 획득한 이미지로 분할하여 IIH를 수정할 수 있다.^[36]IIH 효과를 설명할 때 인기 있는 모델은 다음과 같다.

$\displaystyle x=\display x'+\xi }$ ^[36]

여기서 $x$ ${\displaystyle$ x $}$ 은 $x$ (는) 측정된 강도, $x$ $'$ ${\$ x $'}$ 은 $x'$ (는) 참 강도, $\alpha$ $\alpha$ 은 $\alpha$ (는) IIH 효과, ξ은 노이즈다.null

이 방법은 오프라인으로 진행할 수 있기 때문에, 즉 환자가 스캐너에 있을 필요가 없기 때문에 유리하다.따라서 수정 시간은 문제가 되지 않는다.그러나 이 기법은 이미 획득한 정보만을 활용하기 때문에 SNR과 이미지의 대비를 개선하지 않는다.영상을 획득할 때 B1 필드가 균일하지 않았기 때문에 플립 각도와 후속 획득 신호는 부정확하다.null

뇌 스캔에서 AI 기반 영상 스캔 후 처리 디노이즈 시스템의 영향은 영상 화질 향상과 형태계 분석에 효과적이라는 것이 입증되었다.스캔 후 이미지 처리 시스템은 대비를 유지하면서 소음을 줄일 수 있다.후속 이미지 향상은 더 높은 처리량과 그럴싸한 초기 탐지를 위해 더 짧은 스캔 시간으로 처리할 수 있다.^[37]^[38]null

영상 후 처리 보정을 위한 B1 매핑 기술

후처리 보정을 사용하여 RF 비균질성 아티팩트를 교정하려면 B1 필드를 매핑하는 몇 가지 방법이 있다.여기 몇 가지 일반적인 기술에 대한 간략한 설명이 있다.null

이중각법

$\alpha$ $\alpha$ 및 $\alpha$ $2\alpha$ $2\alpha$ $2\alpha$ 의 플립각에서 획득한 두 영상에서 얻은 결과를 사용하는 공통적이고 강력한 방법 $2\alpha$ ^[39] 그런 다음 이 두 영상의 신호 강도 비율을 사용하여 B1 맵을 구성한다.이 방법은 강력하고 정확하지만 긴 TR과 긴 스캔 시간이 필요하기 때문에 이 방법은 동작하기 쉬운 부위를 영상촬영하는 데 최적의 방법은 아니다.null

위상지도법

더블 앵글 방식과 마찬가지로 위상 맵 방식도 2개의 이미지를 사용하지만, 이 방법은 위상의 발생에 의존하여 각 스핀의 실제 플립 각도를 결정한다.^[40]x축에 대해 180도 회전을 적용한 후 y축에 대해 90도 회전을 한 후 그 결과 위상을 사용하여 B1 필드를 매핑한다.두 개의 영상을 획득하고 한 영상을 다른 영상으로부터 빼면 B0의 비균질성에서 어떤 위상이라도 제거할 수 있으며, 비균질 RF장에 의해 축적된 위상만 매핑된다.이 방법은 3D 볼륨을 매핑하는 데 사용할 수 있지만 긴 스캔 시간이 필요하므로 일부 스캔 요구 사항에 적합하지 않다.null

듀얼 리팩커싱 에코 획득 모드(DREAM)

이 방법은 멀티슬라이스 B1 매핑 기법이다.드림(DREAM)은 130ms에 2D B1 지도를 획득하는 데 사용할 수 있어 움직임에 무감각하고 심장 영상촬영과 같이 호흡이 필요한 스캔이 가능하다.^[41]또한 짧은 획득은 화학적 이동의 영향과 민감성을 감소시킨다.또한 이 방법은 낮은 SAR 속도를 필요로 한다.더블 앵글 방식만큼 정확하지는 않지만, DREAM은 짧은 획득 동안 신뢰할 수 있는 B1 매핑을 달성한다.t

참조

^ ^a ^b ^c ^d ^e ^f ^g ^h ⁱ ^j ^k ^l ^m ⁿ ^o ^p ^q ^r ^s ^t ^u ^v ^w ^x ^y ^z ^aa ^ab ^ac ^ad ^ae ^af ^ag ^ah ^ai ^aj ^ak ^al ^am ^an ^ao ^ap ^aq Erasmus LJ, Hurter D, Naudé M, Kritzinger HG, Acho S (2004). "A short overview of MRI artifacts". South African Journal of Radiology. 8 (2): 13. doi:10.4102/sajr.v8i2.127. ISSN 2078-6778. (CC-BY 4.0)
^ Zaitsev M, Maclaren J, Herbst M (October 2015). "Motion artifacts in MRI: A complex problem with many partial solutions". Journal of Magnetic Resonance Imaging. 42 (4): 887–901. doi:10.1002/jmri.24850. PMC 4517972. PMID 25630632.
^ "Doctors pull out 38 metal objects including keys, coins, a SIM card, pencil sharpener blade and a magnet 'they were stuck to' from inside man's stomach NEWS.am Medicine - All about health and medicine". med.news.am. Retrieved 2019-03-16.
^ Yeung J. "Aliasing in MRI Radiology Reference Article Radiopaedia.org". Radiopaedia. Retrieved 26 May 2019.
^ Bashir U. "Gibbs and truncation artifacts Radiology Reference Article Radiopaedia.org". Radiopaedia. Retrieved 26 May 2019.
^ Ferreira PF, Gatehouse PD, Mohiaddin RH, Firmin DN (May 2013). "Cardiovascular magnetic resonance artefacts". Journal of Cardiovascular Magnetic Resonance. 15: 41. doi:10.1186/1532-429X-15-41. PMC 3674921. PMID 23697969.
^ Kingsley, PB; Ogg, RJ; Reddick, WE; Steen, RG (1998). "Correction of errors caused by imperfect inversion pulses in MR imaging measurement of T1 relaxation times". Magn Reson Imaging. 16 (9): 1049–1055. doi:10.1016/s0730-725x(98)00112-x. PMID 9839989.
^ Nishimura, Dwight (2016). Principles of Magnetic Resonance Imaging.
^ "Dielectric effect". Questions and Answers in MRI. Retrieved 2021-05-05.
^ Dieringer, Matthias A.; Deimling, Michael; Santoro, Davide; Wuerfel, Jens; Madai, Vince I.; Sobesky, Jan; von Knobelsdorff-Brenkenhoff, Florian; Schulz-Menger, Jeanette; Niendorf, Thoralf (2014-03-12). "Rapid Parametric Mapping of the Longitudinal Relaxation Time T1 Using Two-Dimensional Variable Flip Angle Magnetic Resonance Imaging at 1.5 Tesla, 3 Tesla, and 7 Tesla". PLOS ONE. 9 (3): e91318. Bibcode:2014PLoSO...991318D. doi:10.1371/journal.pone.0091318. ISSN 1932-6203. PMC 3951399. PMID 24621588.
^ Hou, Zujun (2006). "A Review on MR Image Intensity Inhomogeneity Correction". International Journal of Biomedical Imaging. 2006: 49515. Bibcode:2006IJBI.200649515H. doi:10.1155/ijbi/2006/49515. ISSN 1687-4188. PMC 2324029. PMID 23165035.
^ Bashir U. "Zipper artifact Radiology Reference Article Radiopaedia.org". Radiopaedia. Retrieved 26 May 2019.
^ ^a ^b Elster AD. "Intro to Gating/Triggering". {{cite journal}}:Cite 저널은 필요로 한다. journal=(도움말)
^ ^a ^b Solomon E (November 2020). "Free-breathing radial imaging using a pilot-tone radiofrequency transmitter for detection of respiratory motion". Magnetic Resonance in Medicine.
^ Ludwig J (2021). "Pilot tone–based motion correction for prospective respiratory compensated cardiac cine MRI". Magnetic Resonance in Medicine. 85 (5): 2403–2416. doi:10.1002/mrm.28580. PMID 33226699. S2CID 227135421.
^ ^a ^b ^c ^d ^e ^f ^g ^h Haskell MW, Cauley SF, Wald LL (May 2018). "TArgeted Motion Estimation and Reduction (TAMER): Data Consistency Based Motion Mitigation for MRI Using a Reduced Model Joint Optimization". IEEE Transactions on Medical Imaging. 37 (5): 1253–1265. doi:10.1109/TMI.2018.2791482. PMC 6633918. PMID 29727288.
^ ^a ^b ^c Haskell, Melissa West (2019-05-13). "Retrospective Motion Correction for Magnetic Resonance Imaging". {{cite journal}}:Cite 저널은 필요로 한다. journal=(도움말)
^ ^a ^b Krizhevsky A, Sutskever I, Hinton GE (2017-05-24). "ImageNet classification with deep convolutional neural networks". Communications of the ACM. 60 (6): 84–90. doi:10.1145/3065386. ISSN 0001-0782.
^ Lundervold AS, Lundervold A (May 2019). "An overview of deep learning in medical imaging focusing on MRI". Zeitschrift für Medizinische Physik. 29 (2): 102–127. doi:10.1016/j.zemedi.2018.11.002. PMID 30553609.
^ Mardani M, Gong E, Cheng JY, Vasanawala SS, Zaharchuk G, Xing L, Pauly JM (January 2019). "Deep Generative Adversarial Neural Networks for Compressive Sensing MRI". IEEE Transactions on Medical Imaging. 38 (1): 167–179. doi:10.1109/TMI.2018.2858752. PMC 6542360. PMID 30040634.
^ Lee D, Yoo J, Ye JC (April 2017). "Deep residual learning for compressed sensing MRI". 2017 IEEE 14th International Symposium on Biomedical Imaging (ISBI 2017): 15–18. doi:10.1109/ISBI.2017.7950457. ISBN 978-1-5090-1172-8. S2CID 5518746.
^ Creswell A, White T, Dumoulin V, Arulkumaran K, Sengupta B, Bharath AA (2020-10-22). "Generative adversarial networks". Communications of the ACM. 63 (11): 139–144. doi:10.1145/3422622. ISSN 0001-0782.
^ ^a ^b ^c ^d ^e ^f ^g ^h ⁱ Haskell MW, Cauley SF, Bilgic B, Hossbach J, Splitthoff DN, Pfeuffer J, et al. (October 2019). "Network Accelerated Motion Estimation and Reduction (NAMER): Convolutional neural network guided retrospective motion correction using a separable motion model". Magnetic Resonance in Medicine. 82 (4): 1452–1461. doi:10.1002/mrm.27771. PMC 6626557. PMID 31045278.
^ Kingma, Diederik P. (2015). "Adam: A Method for Stochastic Optimization" (PDF). ICLR. arXiv:1412.6980.
^ Yuan Z, Jiang M, Wang Y, Wei B, Li Y, Wang P, et al. (2020). "SARA-GAN: Self-Attention and Relative Average Discriminator Based Generative Adversarial Networks for Fast Compressed Sensing MRI Reconstruction". Frontiers in Neuroinformatics. 14: 611666. doi:10.3389/fninf.2020.611666. PMC 7726262. PMID 33324189.
^ Usman M, Latif S, Asim M, Lee BD, Qadir J (March 2020). "Retrospective Motion Correction in Multishot MRI using Generative Adversarial Network". Scientific Reports. 10 (1): 4786. arXiv:1902.07430. Bibcode:2020NatSR..10.4786U. doi:10.1038/s41598-020-61705-9. PMC 7075875. PMID 32179823.
^ ^a ^b Franklin, KM; Dale, BM; Merkle, EM (2008). "Improvement in B1-inhomogeneity artifacts in the abdomen at 3T MR imaging using a radiofrequency cushion". J Magn Reson Imaging. 27 (6): 1443–7. doi:10.1002/jmri.21164. PMID 18421685. S2CID 12194069.
^ Wang, D; Heberlein, K; LaConte, S; Hu, X (2004). "Inherent insensitivity to RF inhomogeneity in FLASH imaging". Magn Reson Med. 52 (4): 927–31. doi:10.1002/mrm.20217. PMID 15389953.
^ 헤이스, C, 외 연구진(1985) " 1.5 T에서 전신 NMR 영상촬영을 위한 효율적이고 고 균일한 무선주파수 코일". 자기공명 저널 63(3), 622-628.
^ 알솝, D. C., 코닉, T. J., & 미즈세이, G. (1998년)높은 정적 자기장 강도에서 RF장 동질성을 개선하기 위한 나선형 볼륨 코일.의학의 자기공명, 40(1), 49–54.https://doi.org/10.1002/mrm.1910400107.
^ 주, 유동.(2004).전송 코일 배열의 병렬 흥분.의학에서의 자기공명. 51. 775-84. 10.1002/mr.20011.
^ ^a ^b 클레어, S, 알레치, M, & 제자드, P. (2001)활성 전송 전력 변조를 사용하여 B(1) 비균질성을 보상한다.자기 공명 영상 19(10), 1349–1352. https://doi.org/10.1016/s0730-725x(01)00467-2.
^ Bendall, M. R, Garwood, M, U.,urbil, K, & Pegg, D. T. (1987년)가변 RF 출력 및 오프리존스 효과를 보상하는 단열 재집중 펄스.의학의 자기 공명, 4(5), 493–499.https://doi.org/10.1002/mrm.1910040510.
^ Silver, M.S. 외 연구진(1984) 고선택 π/2 및 and 펄스 생성.자기공명 저널, 59(2), 347–351.
^ 우스터빌, K 등(1988)자기공명 저널 78(3), 472-497의 비균형 B1 장에서도 평면 회전을 유도하는 진폭 및 주파수/위상 변조 재결합 펄스.
^ ^a ^b Hou Z. (2006년).MR 이미지 강도의 불균형 보정에 대한 검토2006년, 49515년 생물의학 영상 국제 저널.https://doi.org/10.1155/IJBI/2006/49515.
^ "Case Reviews: Fast MRI & Image Enhancement". Medicvision. Retrieved 26 December 2021.
^ Kanemaru, Noriko; Takao, Hidemasa; Amemiya, Shiori; Abe, Osamu (2 December 2021). "The effect of a post-scan processing denoising system on image quality and morphometric analysis". Journal of Neuroradiology. Retrieved 26 December 2021.
^ 커닝햄, C. H. 파울리, J. M. & Nayak, K. S. (2006)신속한 B1+ 매핑을 위한 포화 이중 각도 방법.의학의 자기공명, 55(6), 1326–1333. https://doi.org/10.1002/mrm.20896.
^ Morrell G. R. (2008)위상에 민감한 플립 각도 매핑 방법.의학의 자기공명, 60(4), 889–894.https://doi.org/10.1002/mrm.21729.
^ Nehrke, K.와 Börnert, P. (2012).DREAM-강력하고, 초고속의 멀티슬라이스B1 매핑을 위한 새로운 접근법.의학에서의 자기 공명, 68(5), 1517–1526, https://doi.org/10.1002/mrm.24158.

[ErasmusHurter2004-1] ^ ^a ^b ^c ^d ^e ^f ^g ^h ⁱ ^j ^k ^l ^m ⁿ ^o ^p ^q ^r ^s ^t ^u ^v ^w ^x ^y ^z ^aa ^ab ^ac ^ad ^ae ^af ^ag ^ah ^ai ^aj ^ak ^al ^am ^an ^ao ^ap ^aq Erasmus LJ, Hurter D, Naudé M, Kritzinger HG, Acho S (2004). "A short overview of MRI artifacts". South African Journal of Radiology. 8 (2): 13. doi:10.4102/sajr.v8i2.127. ISSN 2078-6778. (CC-BY 4.0)

[Zaitsev-2] Zaitsev M, Maclaren J, Herbst M (October 2015). "Motion artifacts in MRI: A complex problem with many partial solutions". Journal of Magnetic Resonance Imaging. 42 (4): 887–901. doi:10.1002/jmri.24850. PMC 4517972. PMID 25630632.

[3] "Doctors pull out 38 metal objects including keys, coins, a SIM card, pencil sharpener blade and a magnet 'they were stuck to' from inside man's stomach NEWS.am Medicine - All about health and medicine". med.news.am. Retrieved 2019-03-16.

[Yeung-4] Yeung J. "Aliasing in MRI Radiology Reference Article Radiopaedia.org". Radiopaedia. Retrieved 26 May 2019.

[Usman-5] Bashir U. "Gibbs and truncation artifacts Radiology Reference Article Radiopaedia.org". Radiopaedia. Retrieved 26 May 2019.

[JCMR-6] Ferreira PF, Gatehouse PD, Mohiaddin RH, Firmin DN (May 2013). "Cardiovascular magnetic resonance artefacts". Journal of Cardiovascular Magnetic Resonance. 15: 41. doi:10.1186/1532-429X-15-41. PMC 3674921. PMID 23697969.

[7] Kingsley, PB; Ogg, RJ; Reddick, WE; Steen, RG (1998). "Correction of errors caused by imperfect inversion pulses in MR imaging measurement of T1 relaxation times". Magn Reson Imaging. 16 (9): 1049–1055. doi:10.1016/s0730-725x(98)00112-x. PMID 9839989.

[8] Nishimura, Dwight (2016). Principles of Magnetic Resonance Imaging.

[9] "Dielectric effect". Questions and Answers in MRI. Retrieved 2021-05-05.

[10] Dieringer, Matthias A.; Deimling, Michael; Santoro, Davide; Wuerfel, Jens; Madai, Vince I.; Sobesky, Jan; von Knobelsdorff-Brenkenhoff, Florian; Schulz-Menger, Jeanette; Niendorf, Thoralf (2014-03-12). "Rapid Parametric Mapping of the Longitudinal Relaxation Time T1 Using Two-Dimensional Variable Flip Angle Magnetic Resonance Imaging at 1.5 Tesla, 3 Tesla, and 7 Tesla". PLOS ONE. 9 (3): e91318. Bibcode:2014PLoSO...991318D. doi:10.1371/journal.pone.0091318. ISSN 1932-6203. PMC 3951399. PMID 24621588.

[11] Hou, Zujun (2006). "A Review on MR Image Intensity Inhomogeneity Correction". International Journal of Biomedical Imaging. 2006: 49515. Bibcode:2006IJBI.200649515H. doi:10.1155/ijbi/2006/49515. ISSN 1687-4188. PMC 2324029. PMID 23165035.

[Bashir-12] Bashir U. "Zipper artifact Radiology Reference Article Radiopaedia.org". Radiopaedia. Retrieved 26 May 2019.

[MRIGating-13] Elster AD. "Intro to Gating/Triggering". {{cite journal}}:Cite 저널은 필요로 한다. journal=(도움말)

[Solomon-14] Solomon E (November 2020). "Free-breathing radial imaging using a pilot-tone radiofrequency transmitter for detection of respiratory motion". Magnetic Resonance in Medicine.

[Ludwig-15] Ludwig J (2021). "Pilot tone–based motion correction for prospective respiratory compensated cardiac cine MRI". Magnetic Resonance in Medicine. 85 (5): 2403–2416. doi:10.1002/mrm.28580. PMID 33226699. S2CID 227135421.

[:1-16] ^ ^a ^b ^c ^d ^e ^f ^g ^h Haskell MW, Cauley SF, Wald LL (May 2018). "TArgeted Motion Estimation and Reduction (TAMER): Data Consistency Based Motion Mitigation for MRI Using a Reduced Model Joint Optimization". IEEE Transactions on Medical Imaging. 37 (5): 1253–1265. doi:10.1109/TMI.2018.2791482. PMC 6633918. PMID 29727288.

[:2-17] Haskell, Melissa West (2019-05-13). "Retrospective Motion Correction for Magnetic Resonance Imaging". {{cite journal}}:Cite 저널은 필요로 한다. journal=(도움말)

[:0-18] Krizhevsky A, Sutskever I, Hinton GE (2017-05-24). "ImageNet classification with deep convolutional neural networks". Communications of the ACM. 60 (6): 84–90. doi:10.1145/3065386. ISSN 0001-0782.

[19] Lundervold AS, Lundervold A (May 2019). "An overview of deep learning in medical imaging focusing on MRI". Zeitschrift für Medizinische Physik. 29 (2): 102–127. doi:10.1016/j.zemedi.2018.11.002. PMID 30553609.

[20] Mardani M, Gong E, Cheng JY, Vasanawala SS, Zaharchuk G, Xing L, Pauly JM (January 2019). "Deep Generative Adversarial Neural Networks for Compressive Sensing MRI". IEEE Transactions on Medical Imaging. 38 (1): 167–179. doi:10.1109/TMI.2018.2858752. PMC 6542360. PMID 30040634.

[21] Lee D, Yoo J, Ye JC (April 2017). "Deep residual learning for compressed sensing MRI". 2017 IEEE 14th International Symposium on Biomedical Imaging (ISBI 2017): 15–18. doi:10.1109/ISBI.2017.7950457. ISBN 978-1-5090-1172-8. S2CID 5518746.

[22] Creswell A, White T, Dumoulin V, Arulkumaran K, Sengupta B, Bharath AA (2020-10-22). "Generative adversarial networks". Communications of the ACM. 63 (11): 139–144. doi:10.1145/3422622. ISSN 0001-0782.

[:3-23] ^ ^a ^b ^c ^d ^e ^f ^g ^h ⁱ Haskell MW, Cauley SF, Bilgic B, Hossbach J, Splitthoff DN, Pfeuffer J, et al. (October 2019). "Network Accelerated Motion Estimation and Reduction (NAMER): Convolutional neural network guided retrospective motion correction using a separable motion model". Magnetic Resonance in Medicine. 82 (4): 1452–1461. doi:10.1002/mrm.27771. PMC 6626557. PMID 31045278.

[24] Kingma, Diederik P. (2015). "Adam: A Method for Stochastic Optimization" (PDF). ICLR. arXiv:1412.6980.

[25] Yuan Z, Jiang M, Wang Y, Wei B, Li Y, Wang P, et al. (2020). "SARA-GAN: Self-Attention and Relative Average Discriminator Based Generative Adversarial Networks for Fast Compressed Sensing MRI Reconstruction". Frontiers in Neuroinformatics. 14: 611666. doi:10.3389/fninf.2020.611666. PMC 7726262. PMID 33324189.

[26] Usman M, Latif S, Asim M, Lee BD, Qadir J (March 2020). "Retrospective Motion Correction in Multishot MRI using Generative Adversarial Network". Scientific Reports. 10 (1): 4786. arXiv:1902.07430. Bibcode:2020NatSR..10.4786U. doi:10.1038/s41598-020-61705-9. PMC 7075875. PMID 32179823.

[Franklin_2008-27] Franklin, KM; Dale, BM; Merkle, EM (2008). "Improvement in B1-inhomogeneity artifacts in the abdomen at 3T MR imaging using a radiofrequency cushion". J Magn Reson Imaging. 27 (6): 1443–7. doi:10.1002/jmri.21164. PMID 18421685. S2CID 12194069.

[28] Wang, D; Heberlein, K; LaConte, S; Hu, X (2004). "Inherent insensitivity to RF inhomogeneity in FLASH imaging". Magn Reson Med. 52 (4): 927–31. doi:10.1002/mrm.20217. PMID 15389953.

[29] 헤이스, C, 외 연구진(1985) " 1.5 T에서 전신 NMR 영상촬영을 위한 효율적이고 고 균일한 무선주파수 코일". 자기공명 저널 63(3), 622-628.

[30] 알솝, D. C., 코닉, T. J., & 미즈세이, G. (1998년)높은 정적 자기장 강도에서 RF장 동질성을 개선하기 위한 나선형 볼륨 코일.의학의 자기공명, 40(1), 49–54.https://doi.org/10.1002/mrm.1910400107.

[31] 주, 유동.(2004).전송 코일 배열의 병렬 흥분.의학에서의 자기공명. 51. 775-84. 10.1002/mr.20011.

[Clare_2001-32] 클레어, S, 알레치, M, & 제자드, P. (2001)활성 전송 전력 변조를 사용하여 B(1) 비균질성을 보상한다.자기 공명 영상 19(10), 1349–1352. https://doi.org/10.1016/s0730-725x(01)00467-2.

[33] Bendall, M. R, Garwood, M, U.,urbil, K, & Pegg, D. T. (1987년)가변 RF 출력 및 오프리존스 효과를 보상하는 단열 재집중 펄스.의학의 자기 공명, 4(5), 493–499.https://doi.org/10.1002/mrm.1910040510.

[34] Silver, M.S. 외 연구진(1984) 고선택 π/2 및 and 펄스 생성.자기공명 저널, 59(2), 347–351.

[35] 우스터빌, K 등(1988)자기공명 저널 78(3), 472-497의 비균형 B1 장에서도 평면 회전을 유도하는 진폭 및 주파수/위상 변조 재결합 펄스.

[Hou_2006-36] Hou Z. (2006년).MR 이미지 강도의 불균형 보정에 대한 검토2006년, 49515년 생물의학 영상 국제 저널.https://doi.org/10.1155/IJBI/2006/49515.

[Medicvision-37] "Case Reviews: Fast MRI & Image Enhancement". Medicvision. Retrieved 26 December 2021.

[JON-December-2021-38] Kanemaru, Noriko; Takao, Hidemasa; Amemiya, Shiori; Abe, Osamu (2 December 2021). "The effect of a post-scan processing denoising system on image quality and morphometric analysis". Journal of Neuroradiology. Retrieved 26 December 2021.

[39] 커닝햄, C. H. 파울리, J. M. & Nayak, K. S. (2006)신속한 B1+ 매핑을 위한 포화 이중 각도 방법.의학의 자기공명, 55(6), 1326–1333. https://doi.org/10.1002/mrm.20896.

[40] Morrell G. R. (2008)위상에 민감한 플립 각도 매핑 방법.의학의 자기공명, 60(4), 889–894.https://doi.org/10.1002/mrm.21729.

[41] Nehrke, K.와 Börnert, P. (2012).DREAM-강력하고, 초고속의 멀티슬라이스B1 매핑을 위한 새로운 접근법.의학에서의 자기 공명, 68(5), 1517–1526, https://doi.org/10.1002/mrm.24158.

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15]

[16]

[17]

[18]

[19]

[20]

[21]

[22]

[23]

[24]

[25]

[26]

[27]

[28]

[29]

[30]

[31]

[32]

[33]

[34]

[35]

[36]

[37]

[38]

[39]

[40]

[41]

Search