인공지능을 활용한 MRI 영상획득 기본 원리, 재구성, 생성
인공지능을 활용한 MRI 영상 획득 기본 원리, 재구성, 생성
자기 공명 영상, MRI와 같은 의료영상은 상세한 부분까지 볼 수 있는 정보들을 획득하고 진단하기 좋은 영상을 만들어내기 위해 촬영 시간이 길게 소요됩니다. 이처럼 한 환자의 영상을 얻는데 많은 시간이 소요되므로 촬영 도중 환자가 움직이게 되면 촬영을 기다리는 다른 환자들에게도 영향을 줍니다. 그래서 MRI 촬영 예약을 하면 몇 주 혹은 몇 달을 기다려야 합니다. 또한 상체 부분을 촬영할 때에는 한동안 숨을 참아야 하는데, 이러한 모든 불편한 것들의 원인은 MRI라는 영상 장비가 영상 데이터를 얻는 촬영 과정이 시간이 많이 걸릴 수밖에 없는 구조이기 때문입니다. 따라서 보통 촬영 시간이 20분에서 40분 혹은 경우에 따라서 1시간이 넘어가기도 합니다. 일 이초를 다투는 응급실에서 MRI를 잘 사용하지 못하는 이유 중에 하나가 바로 이러한 긴 촬영 시간 때문입니다. 이러한 긴 촬영 시간을 인공지능기술을 이용해서 단축시킬 수 있다면 환자로서는 빠르게 진단을 받을 수 있고, 긴 숨을 참을 필요도 없어지고, 보다 편안하고 안정되게 MRI 촬영을 받을 수 있습니다. 또한, 병원 측에서는 보다 많은 환자들을 신속하게 촬영하여 빠른 진단과 치료를 효율적으로 할 수 있게 됩니다. 이렇게 MRI 촬영 속도를 빠르게 하는데 인공지능 기술이 적용되고 있습니다.
MRI 영상 획득 기본 원리
MRI 영상이 만들어지는 원리는 일반 디지털카메라에서의 사진이 만들어지는 과정 하고는 많이 다릅니다. 일반 사진은 카메라의 셔터를 누르면 바로 영상이 나오는 반면, MRI는 촬영이 시작되면 영상의 주파수 정보들을 일일이 측정을 하게 됩니다. 모든 주파수 정보들을 측정하게 되면 그때 비로소 측정된 주파수 정보들을 우리가 이해할 수 있는 영상으로 변환할 수 있게 되고, 의사는 MRI 영상을 볼 수 있게 됩니다. 즉, MRI 영상 획득 단계는 첫 번째, 영상의 주파수 정보 획득 단계. 그리고 두 번째, 획득된 주파수 정보를 영상으로 변환하는 단계. 이렇게 크게 두 개의 단계로 나눌 수 있습니다. 이때, 첫 번째 단계에서 온전한 MRI 영상을 만들기 위해 획득되어야 되는 주파수의 정보들이 상당히 많고 이러한 주파수 정보들은 보통 순차적으로 얻어지기 때문에, 전체적인 MRI 촬영 시간이 상당히 길어지게 됩니다. 첫 번째 단계에서 충분한 주파수 정보들이 획득되면 두 번째 단계에서는 주파수 변환 알고리즘을 사용하여 주파수 정보들을 영상정보로 변환하게 되어 일반 의사들이 볼 수 있는 MRI 영상이 만들어지게 됩니다. 그럼 여기서 MRI 촬영 시간을 줄이기 위해 어떠한 일을 할 수 있을까요. 앞에서 온전한 MRI 영상을 만들기 위해서는 상당히 많은 주파수 정보들을 획득하여야 한다고 했는데, 이는 일반적으로 획득하려는 MRI 영상의 k-space라고 불리는 주파수 공간을 모두 채울 수 있을 정도의 주파수 정보를 의미합니다. 그런데 만약, 주파수 공간을 모두 채우지 않고, 일부의 주파수 정보만을 획득해서도 MRI 영상을 만들어 낼 수 있다면 어떨까요. 예를 들어 주파수 공간의 절반만 채우고서도 MRI 영상을 만들어낼 수 있다면 촬영 시간은 기존의 절반으로 줄어들 수 있겠죠. 이러한 것이 인공지능 기술을 사용하면서 효과적으로 가능해집니다. 그럼 이제 인공지능을 활용한 MRI 영상 생성에 대해서 알아보도록 하겠습니다.
인공지능 기반 MRI 영상 재구성
MRI 장비, 그리고 중간 단계의 주파수 정보 획득 모습, 그리고 이로부터 변환된 MRI 영상을 보여줍니다. 가운데의 주파수 정보의 모습을 보면 알 수 있듯이, 사람으로서는 이것이 어떠한 영상에 대한 정보인지 알 수가 없습니다. 컴퓨터를 이용하여 주파수 변환 알고리즘을 적용해야 비로소 오른쪽과 같은 사람이 이해할 수 있는 영상으로 만들어질 수 있습니다. 이러한 과정을 MRI 영상 생성 혹은 MRI 영상 재구성이라고 합니다. 이러한 영상 재구성 알고리즘은 기본적으로 주파수 변환 알고리즘이라는 방법을 사용하고 있는데요. 이러한 고전적인 재구성 알고리즘은 일반적인 상황에서는 잘 동작하지만 앞에서 언급했듯이, 만약 주파수 공간을 절반만 채우는 경우에 있어서는 동작을 하지 못합니다. 즉, 빠른 MRI 촬영을 위해서 주파수 공간을 덜 채운다면, 결과적으로 일그러진 MRI 영상이 도출되어서 진단에 사용할 수 없게 됩니다. 고전적인 주파수 변환 기반 재구성 알고리즘은 채워지지 않은 주파수 공간에 대해서 지능적으로 대처할 수 있는 능력이 없습니다. 이 그림은 왼쪽에 부분적으로 채워진 주파수 공간, 가운데에는 이로부터 주파수 변환 알고리즘으로 얻은 일그러진 MRI 영상, 오른쪽에는 정상적인 MRI 영상이 보이고 있습니다. 가운데의 일그러진 MRI 영상은 진단에 사용할 수 없을 정도로 영상의 왜곡 현상이 많이 일어났습니다. 전문적인 용어로 에일 리어징 왜곡 현상이라고 합니다. 이러한 왜곡 현상은 영상 상의 특정 부분이 다른 부분에 겹쳐서 나타나는 것이 주된 원인입니다. 가운데의 왜곡된 영상을 살펴보면 영상 윗부분이 모양이 아랫부분에 불규칙적으로 겹쳐서 나타나고, 아랫부분의 모양이 윗부분의 겹쳐서 나타나고 있는 것을 발견할 수 있습니다. 이러한 겹쳐서 나타나는 패턴이 불규칙하고 복잡해서 이러한 겹침 현상을 고전적인 주파수 변환에서는 제대로 고칠 수가 없는 것입니다. 하지만 이러한 복잡한 겹침 현상을 인공신경망의 복잡한 구조를 이용하면 풀 수 있게 됩니다. 뛰어난 인공신경망의 복잡한 적응력이죠. 다음 그림은 이러한 상황에서 인공신경망의 MRI 영상 재구성이 적용되는 개요를 보여주고 있습니다. 겹침 현상이 복잡하게 일어난 왜곡된 MRI 영상이 인공신경망의 입력으로 들어가면 입공 신경망의 많은 인공신경들이 서로 정보를 주고받으면서 왜곡 패턴을 찾아내고, 그러한 가운데에 겹침 현상들을 하나하나 풀어나가게 되어 최종적으로는 오른쪽에서 보이는 것과 같이 왜곡 현상 없는 온전한 MRI 영상을 만들어낼 수 있습니다. 이러한 인공신경망은 왜곡되지 않은 MRI 영상과 왜곡된 영상을 입력영상과 해답 영상으로 제시하여 여러 번 학습을 시켜서 정확한 정보의 처리를 통해 온전한 MRI 영상을 만들어낼 수 있는 인공지능으로 만들어지게 됩니다. 좀 더 깊게 들어가면, 이러한 인공신경망이 다양한 구조로 설계될 수 있습니다. 예를 들어 주파수 정보의 복소 수적인 면을 다룰 수 있는 신경망 영상의 전체적인 모습과 세부적인 모습을 단계적으로 살펴볼 수 있는 U 모양의 신경망 영상 도메인에서 학습이 가능한 신경망, 주파수 공간 즉, k-space에서 학습이 가능한 신경망 영상 도메인과 주파수 공간을 공유하면서 학습 가능한 신경망 등 다양한 구조의 인공신경망이 개발되어 보다 정확하고 효율적인 인공지능이 개발되고 있습니다. 이 그림은 k-space와 영상 도메인을 반복 이동하면서 학습을 효과적으로 하는 KIKI-net의 한 예를 보여주고 있습니다. 이 인공신경망은 주파수 공간의 채워지지 않은 부분을 채워나가는 인공지능. 아래 인공 신경망은 영상 도메인에서의 겹침 현상을 풀어나가는 인공지능이 합쳐진 형태입니다.
인공지능 기반 MRI 영상 생성
다중 대조도 MRI 영상에 있어서 인공지능을 활용하여 새로운 대조도 영상을 생성하는 기술을 소개하겠습니다. 일반적으로 MRI 촬영을 할 때에는 동일한 부위를 촬영하더라도, 한 가지 종류의 영상만을 촬영하는 경우는 드물고, 대부분 2개 내지 3개 이상 종류의 다른 특성을 갖는 MRI 영상을 촬영합니다. 예를 들어 무릎 부위를 진단하기 위해서는 T1 강조 영상 그리고 T2 강조 영상, GRE 영상, STIR 영상이라는 각기 다른 대조도를 보여주는 여러 장의 영상을 촬영하기도 합니다. MRI의 물리적 특성을 이용하여 여러 다른 방식으로 촬영하게 되면 동일 부위에 대해서 서로 다른 진단 전보를 제공해줄 수 있는 영상을 얻을 수 있고, 의료진은 이를 종합하여 보다 정확한 진단을 내리는 것이 일반적입니다. 하지만 앞에서 설명했듯이 한 가지 종류의 MRI 영상을 획득하는 데에도 시간이 많이 걸리는데, 이렇게 여러 장의 영상을 획득하려면 그 촬영 시간은 더욱 길어지게 됩니다. 특히, 이 예에서는 맨 오른쪽의 스터 영상이라는 것은 무릎 부위의 지방층 정보를 감소시키는 방식으로 얻은 MRI 영상인데, 다른 세 개의 영상보다도 획득 시간이 더욱 깁니다. 만약 마지막의 STIR 영상을 직접 촬영하지 않고 나머지 미리 촬영된 세 개의 영상으로부터 이 STIR 영상을 자동으로 만들어낼 수 있다면 그만큼의 촬영 시간을 절약할 수 있겠죠. 이러한 상상이 인공지능으로 가능해졌습니다. 이와 같이 각각의 T1 강조영상, T2 강조영상, GRE 영상들을 입력으로 받아들이는 인공신경망을 설계하고 실제 획득한 STIR 영상을 해답 영상으로 제시해서 학습시켜 새로운 환자의 영상들이 획득되면 그에 따른 STIR 영상들을 자동으로 생성할 수 있는 인공지능이 개발됩니다. 이를 통해 MRI 촬영 시간을 획기적으로 줄일 수 있게 됩니다. 최근에는 이러한 기술이 과학적으로 더욱 발전되어 보다 정확하게 MRI 영상을 생성하는 BlochGAN과 같은 기법들이 개발되어 앞으로 효과적으로 빠른 MRI 촬영에 기여할 것으로 기대하고 있습니다. 그림에서와 같은 BlochGAN은 단순히 영상을 생성하는 것에만 그치는 것이 아니라 생성되는 MRI 영상이 MRI 물리적 법칙을 잘 따르면서 생성되도록 하여 보다 정확한 MRI 영상을 생성해내는 기술입니다. 의료 분야에서는 이렇듯, 과학적으로 그리고 의학적으로 의미 있는 의료영상들을 생성하고 분석하는 방향으로의 인공지능 연구가 심도 있게 발전될 전망입니다.