MediWave

  AI 기반 Interleaved MRI 움직임 보정 알고리즘(FAMLS)으로 의료 영상 품질 혁신 – 의료 인공지능·MRI 재구성·영상처리 최신 기술 1. 서론 의료 인공지능(AI) 기술과 고급 영상 재구성 알고리즘의 결합은 헬스케어 산업의 새로운 수익 모델을 창출하고 있다. 특히, **MRI(Magnetic Resonance Imaging) 움직임 보정(Motion Correction)**은 병원, AI 솔루션 기업, PACS 개발사, 의료 영상 분석 스타트업에 있어 직접적인 매출 증가와 환자 진단 정확도 향상 이라는 두 마리 토끼를 잡을 수 있는 핵심 기술이다. 본 칼럼에서는 완전 데이터 적응형 이동 최소 자승(Fully Data Adaptive Moving Least Squares, FAMLS) 알고리즘을 활용하여 Interleaved MRI 에서 발생하는 움직임 아티팩트(motion artifact)를 효과적으로 줄이는 방법을 심층 분석한다. 2. Interleaved MRI와 움직임 아티팩트 문제 MRI 촬영 중 환자의 움직임은 영상 품질 저하의 주원인 중 하나다. 특히 Interleaved MRI 방식은 3D 볼륨 영상을 빠르게 획득할 수 있는 장점이 있으나, 슬라이스 간 시간차로 인한 움직임 왜곡이 빈번하게 발생한다. 이러한 아티팩트는 단순히 영상의 미관 문제를 넘어, 뇌 질환, 종양, 혈관 이상 진단의 정확도에 직접적인 영향을 준다 . 따라서 의료 영상 처리 분야에서는 다양한 움직임 보정 기법이 연구되어 왔다. 3. FAMLS 알고리즘 개요 FAMLS는 기존 MLS(Moving Least Squares) 기법을 확장한 형태로, 데이터의 구조적 특성에 맞춰 가중 함수를 동적으로 조정하여 더 정밀한 보간을 수행한다. 기존 알고리즘의 한계 클래식 MLS : 거리 기반 가중치만 사용 → 경계(Edge) 표현이 흐릿해짐 DAMLS(Data-Adaptive MLS) : 이미지 경계 방향성을 반영하지만 타원체 ...

  AI 기반 MRI 딥러닝 모델을 활용한 난소 병변 분류의 최신 혁신 — SAM과 DenseNet-121 통합의 임상 적용 가능성과 미래 전망 doi:10.1148/radiol.243412 서론: 난소 병변 진단의 과제와 MRI의 가능성 난소 병변은 양성과 악성을 정확히 구분하는 것이 매우 중요하며, 조기 진단 실패 시 치명적인 결과를 초래할 수 있습니다. 초음파는 일차 진단 도구로 많이 활용되지만, 조직 대비(contrast) 및 병변 특성화 측면에서 자기공명영상(MRI)이 우수하다는 것이 다수 연구에서 입증되었습니다. 하지만 MRI 판독은 고도로 숙련된 영상의학과 전문의의 주관적 해석에 의존하며, 시간과 비용이 많이 소요되는 단점이 있습니다. 최근 이러한 문제를 해결하기 위해 딥러닝(deep learning, DL)과 같은 인공지능(AI) 기술이 활발히 도입되고 있으며, 특히 Meta의 Segment Anything Model(SAM)과 DenseNet-121을 통합한 모델이 주목받고 있습니다. 본 연구: SAM과 DL 기반의 난소 병변 분류 모델 개발 미국 존스홉킨스대학교의 Wen-Chi Hsu 박사 연구팀은 MRI 기반 난소 병변 분류에서 딥러닝의 가능성을 입증하기 위해 Meta의 SAM을 활용한 자동 병변 분할 시스템과 DenseNet-121 분류기를 통합한 종단형(end-to-end) 파이프라인을 제안했습니다 . 그림 1. SAM 기반 자동 병변 분할 워크플로우 그림 1.  29세 여성의 우측 난소 점액성 암종(mucinous carcinoma) 사례에서 SAM이 T1CE 및 T2WI 영상에 설정된 bounding box(빨간색)를 기반으로 자동 분할 마스크(녹색)를 생성하는 모습. 딥러닝 모델 구조 입력: 전처리된 T1CE 및 T2WI MRI 영상 + 임상 데이터 네트워크 구조: 3D CNN, MLP, D-NonL 모듈 포함 듀얼 패스 네트워크 출력: 악성/양성 여부 이진 분류 그림 2. 전체...

  심혈관 시뮬레이터를 위한 맥파 반사 메커니즘: 반사지점 개수와 조건이 미치는 영향 doi:10.9718/JBER.2020.41.1.8 서론 심혈관계 질환은 전 세계 사망 원인의 주요 요인 중 하나이며, 그 진단과 예측을 위한 다양한 생체신호 분석 중에서 맥파(pulse wave) 분석은 중요한 역할을 한다. 맥파는 진행파와 반사파의 중첩으로 구성되어 있으며, 그 반사파는 혈관 노화, 동맥경화, 혈류저항 등 다양한 심혈관계 인자들을 반영한다. 따라서 반사파의 특성과 반사지점의 조건 을 이해하고 시뮬레이션할 수 있는 능력은 고정밀 심혈관 시뮬레이터 개발의 핵심이다. 본 컬럼에서는 반사파의 중첩 시기 및 크기에 영향을 주는 반사지점의 개수와 공기 챔버 조건 에 대한 연구 내용을 바탕으로, 그 임상적 응용 가능성과 시뮬레이션 기술로의 확장 방향을 소개한다. 본론 1. 맥파와 반사파의 개요 맥파는 심장에서 생성된 혈류의 압력파가 혈관을 따라 이동하면서 나타나는 파형이다. 이 압력파는 혈관 말단 또는 분기점 등에서 반사되어 반사파(reflected wave) 를 형성하며, 이는 진행파와 중첩되어 최종적으로 측정되는 파형을 형성한다. 반사파는 다음과 같은 생리학적 파라미터에 영향을 준다: 맥파 전달 속도(PWV: Pulse Wave Velocity) 심혈관계 탄성 평가 지표 (AIx, 혈압 등) 동맥 경직도 및 노화 척도 2. 실험 목적 및 구성 이 연구는 다음 세 가지 실험 목표로 구성되었다: 단일 혈관에서 맥파 전달속도 측정 반사지점에 설치된 공기 챔버(compliance chamber) 의 공기량 변화가 반사파 중첩 시기에 미치는 영향 분석 반사지점의 개수 변화가 반사파 크기에 미치는 영향 조사 3. 실험 장치 및 구성 요소 그림 1. 모의 실험 장치 구성 인체 대동맥 특성을 반영한 실리콘 튜브 사용 (직경 1.6 cm, 두께 0.08 cm) 충격파 입력 시스템: 1.33kg 추 낙하 방식 압력 센서 부착 지점: A(30cm), B(80cm), C(1...

  양전자 방출 단층 촬영(PET)을 위한 3차원 최대사후(MAP) 영상 재구성에서 평활 파라미터의 적응형 미세 조정 핵심 키워드 : 양전자 방출 단층 촬영, PET 영상 재구성, MAP 알고리즘, 평활 파라미터, 적응형 알고리즘, 의료영상 처리 doi:10.9718/JBER.2024.45.5.205  서론: PET 영상에서의 해상도와 평활화의 균형 양전자 방출 단층 촬영(PET)은 종양, 뇌 질환, 심혈관 질환 진단에서 뛰어난 감도를 자랑하는 핵의학 영상 기술입니다. 그러나 PET 영상은 일반적으로 공간 해상도가 낮고 노이즈에 민감 하다는 약점을 가집니다. 이러한 한계를 극복하기 위해 3차원 최대사후(MAP: Maximum a Posteriori) 영상 재구성 기법 이 활용되며, 이 과정에서 정규화(smoothing) 파라미터 의 설정은 영상 품질에 결정적인 영향을 줍니다. MAP 재구성 알고리즘 개요 MAP 알고리즘은 Bayesian 추론 기반으로, 영상의 가능도(likelihood)와 사전정보(prior)를 조합해 영상의 통계적 최댓값을 추정합니다. 이때 사용하는 에너지 함수(E(x))는 다음과 같습니다: E ( x ) = − log ⁡ P ( y ∣ x ) − β ⋅ R ( x ) E(x) = -\log P(y|x) - \beta \cdot R(x) E ( x ) = − log P ( y ∣ x ) − β ⋅ R ( x ) P ( y ∣ x ) P(y|x) P ( y ∣ x ) : 측정 데이터 y y y 에 대한 영상 x x x 의 가능도 R ( x ) R(x) R ( x ) : 평활화 정규항 (prior term) β \beta β : 평활 파라미터 (regularization strength) 문제점 고정된 β \beta β 를 사용할 경우: 값이 너무 크면 → 과도한 평활화 로 경계 손실 값이 너무 작으면 → 노이즈 증가 적응형 평활 파라미터 조정의 필요성 PET 영상은...