RAIDER: 빠르고 해부학에 독립적인 딥러닝 기반 화학 변화 인코딩 MRI

목적: 최근 발전에도 불구하고 화학 변화 인코딩 MRI(CSE-MRI)는 여전히 어려운 문제로 남아 있으며 많은 알고리즘이 계산 비용이 비쌉니다. 이로 인해 딥러닝 기반 방법에 대한 관심이 높아지고 있습니다. 그러나 초기 시도에서는 합성곱 신경망(CNN)을 사용했으며, 이는 데이터 요구사항, 다양한 해부학에서의 일반화 불량(해부학 의존성) 및 훈련 시간에 제한이 있습니다. 이러한 제한 사항을 해결하기 위해 RAIDER를 제안합니다. RAIDER는 빠르고 해부학에 독립적인 딥러닝 기반 CSE-MRI 방법입니다. 이론 및 방법: RAIDER는 두 개의 다층 퍼셉트론(MLP)을 사용하며 각각은 시뮬레이션된 단일 복셀 데이터로 개별 훈련되어 하나의 네트워크만 사용할 때 발생하는 해소 문제를 피합니다. 추론 시에는 두 네트워크 중 하나의 솔루션이 가능성을 기반으로 선택됩니다. 성능과 속도는 일련의 시뮬레이션 실험, 팬텀 및 생체 실험에서 조사됩니다. 결과: RAIDER는 기존 피팅보다 약 700배 더 빠르며 복셀당 14us를 소요하고, 기존 피팅과 유사한 성능을 제공합니다. 이는 다양한 해부학의 팬텀 및 생체 이미지에서 정확한 지방 분율 측정을 생성합니다. 결론: RAIDER는 해소 문제를 해결하고 CNN 기반 방법의 훈련 데이터 요구사항을 피하며 기존 피팅에 비해 계산 비용을 크게 줄입니다.