신경망 연산자를 이용한 대상별 저장력 MRI 합성

Subject-Specific Low-Field MRI Synthesis via a Neural Operator

저장력 자기공명영상(MRI)은 접근성을 향상시키고 비용을 절감하는 장점이 있지만, 일반적으로 고장력 MRI에 비해 낮은 신호 대 잡음비와 저하된 대비를 가지므로 임상적 유용성이 제한됩니다. 고장력 MRI로부터 저장력 MRI를 시뮬레이션하면 새로운 영상 장비의 가상 평가와 저장력 알고리즘 개발이 가능합니다. 기존의 저장력 시뮬레이터는 노이즈 주입 및 평활화 기술에 의존하는데, 이는 저장력 영상 획득 시 나타나는 대비 저하를 제대로 반영하지 못합니다. 이에, 본 연구에서는 소수의 쌍으로 연결된 고장력-저장력 MRI 데이터로부터 고장력 이미지를 저장력 이미지로 직접 변환하는, 엔드투엔드 저장력 MRI 합성 프레임워크를 제안합니다. 특히, 고장력-저장력 좌표-이미지 분리 신경망 연산자(H2LO)를 도입하여 기본적인 저하 과정을 모델링하고, 고주파 노이즈 텍스처와 이미지 구조를 포착하도록 설계했습니다. T1w 및 T2w MRI 실험 결과, H2LO는 기존의 파라미터화된 노이즈 합성 모델 및 인기 있는 이미지-이미지 변환 모델보다 더 정확한 저장력 영상을 생성하는 것으로 나타났습니다. 또한, H2LO는 후속 이미지 향상 작업에서 성능을 향상시켜, 저장력 MRI의 진단 능력을 향상시킬 수 있는 잠재력을 보여줍니다.

Low-field (LF) magnetic resonance imaging (MRI) improves accessibility and reduces costs but generally has lower signal-to-noise ratios and degraded contrast compared to high field (HF) MRI, limiting its clinical utility. Simulating LF MRI from HF MRI enables virtual evaluation of novel imaging devices and development of LF algorithms. Existing low field simulators rely on noise injection and smoothing, which fail to capture the contrast degradation seen in LF acquisitions. To this end, we introduce an end-to-end LF-MRI synthesis framework that learns HF to LF image degradation directly from a small number of paired HF-LF MRIs. Specifically, we introduce a novel HF to LF coordinate-image decoupled neural operator (H2LO) to model the underlying degradation process, and tailor it to capture high-frequency noise textures and image structure. Experimental results in T1w and T2w MRI demonstrate that H2LO produces more faithful simulated low-field images than existing parameterized noise synthesis models and popular image-to-image translation models. Furthermore, it improves performance in downstream image enhancement tasks, showcasing its potential to enhance LF MRI diagnostic capabilities.