[학생 인터뷰] Huan Minh Luu 박사과정, 다중 대조도 MRI의 가속화를 위한 모델 기반 딥러닝 활용 샘플링 패턴 최적화

<모델 기반 딥러닝 활용 샘플링 패턴 최적화>

Q1. 인터뷰에 응해주셔서 감사드립니다! 먼저 자기소개 부탁드립니다.

안녕하세요. 저는 박성홍 교수님의 MRI 연구실의 4년차 박사과정학생 Luu Minh Huan 입니다. 저는 베트남에서 온 외국인 학생이고 학부생때부터 바이오및뇌공학과에 재학 중입니다. 저는 현재 의료 영상을 위한 딥러닝 개발과 정량적 MR 영상기법에 대한 연구를 진행하고 있습니다.

현재 주요 연구분야는 의료 영상을 위한 딥러닝 개발과 정량적 MR 영상기법 개발을 진행하고 있습니다.

Q2. 이번에 Medical Physics지에 새로운 연구 결과를 발표하셨는데요. 발표하신 연구에 대해 간단하게 소개해주실 수 있으실까요?

MRI(Magnetic Resonance Imaging)는 데이터를 순차적으로 샘플링해야 하기 때문에 스캔 시간을 가속화하는 방법을 개발하는 것이 가장 활발한 연구 분야 중 하나입니다. 가속도는 일반적으로 여러번 스캔(서로 다른 대조도의)을 진행하여 스캔 시간을 훨씬 더 늘리는 임상활용적 측면에서 훨씬 더 중요합니다. 이 가속도는 일반적으로 일부 데이터 수집을 건너뛰고 후처리 단계에서 데이터를 재구성하여 수행됩니다. 수집된 데이터의 위치를 샘플링 위치라고 하며 일반적으로 매 스캔마다 고정됩니다. 다중 대조도 MRI의 경우 고정된 샘플링 위치는 서로 다른 스캔 간의 정보 중첩을 증가시켜 재구성에 사용할 수 있는 유용한 정보를 잠재적으로 감소시킵니다. 본 연구에서는 언더 샘플링된 데이터의 재구성을 고려하면서 각 스캔에 대해 서로 다른 샘플링 위치를 최적화하면 어떻게 될지 확인하였습니다. 샘플링 위치를 동시에 최적화하고 다중 대조도 MRI(T1, T2, FLAIR)를 동시에 재구성하는 방식을 제안했습니다. 제안한 방법은 고정된 샘플링 위치를 사용하거나 각 대조도를 독립적으로 재구성하는 기존 방법에 비해 재구성 품질을 향상시켰습니다. 흥미롭게도 우리는 학습된 샘플링 위치가 각 대조도 사이의 겹침을 줄인다는 것을 발견했습니다.

Q3. 이번에 제안하신 방법이 어떤 의의가 있는지도 설명해주실 수 있나요? 기존의 방법들과는 다른 독특한 특징이 있다든지, 어떤 분야와 접목시켜 활용할 수 있다든지 말씀해주시면 감사하겠습니다.

저희가 제안한 방법은 동일한 스캔 시간에 영상의 품질을 향상시키거나 더 짧은 스캔 시간에 영상의 품질을 유지시킬 수 있는 잠재력을 가지고 있습니다. 다중 대조도 MRI 스캔은 병원에서 일상적으로 사용됩니다. 따라서 저희의 연구결과는 기존의 임상 워크플로의 처리량을 개선하는 데 영향을 미칠 수 있습니다. 의사나 임상병리사분들도 영상 품질 향상에서 오는 이점을 누릴 수 있습니다. 저희가 제안한 방법은 일상적인 프로토콜을 염두에 두고 개발되었기때문에 일상적 의료 행위에 쉽게 포함될 수 있을 것입니다.

Q4. 자세한 설명 감사합니다. 혹시 개인적으로 더 연구하고 싶은 주제나 분야가 있으신지요?

저는 현재 정성적 MR 영상에서 정략적 정보를 도출해내는 정량적 MR 영상기법에 관심을 갖고있습니다. 정량적 정보를 만들어내거나 다른 종류의 MR 영상을 만들기 위해 다중 대조도 MRI 복원을 활용해보는 것도 흥미로울 것 같습니다. 뿐만 아니라 트랜스포머 모델이나 확산 모델과 같은 최신 딥러닝 알고리즘을 적용해 알고리즘의 성능을 향상시켜보고 싶습니다. 감사합니다.