본 논문은 빠른 MRI 스캔의 향상된 재구성을 위해 물리 기반 심층 학습(PD-DL) 모델을 제안합니다. 완전 샘플링된 참조 데이터가 없는 상황에서 모델을 훈련하기 위해 자기 지도 학습을 사용하지만, 고가속 비율에서는 아티팩트가 발생하는 문제점이 있습니다. 이를 해결하기 위해, 신중하게 설계된 섭동을 통해 PD-DL 네트워크를 훈련하는 새로운 방법을 제안합니다. 기존 자기 지도 학습의 k-공간 마스킹 아이디어를 희소 영역에서 추가된 섭동을 정확하게 예측하는 능력을 평가하는 새로운 일관성 항으로 향상시켜 더욱 신뢰할 수 있고 아티팩트가 없는 재구성을 달성합니다. fastMRI 무릎 및 뇌 데이터셋에서 얻은 결과는 제안된 훈련 전략이 고가속 비율에서 에일리어싱 아티팩트를 효과적으로 줄이고 노이즈 증폭을 완화하여 시각적 및 정량적으로 최첨단 자기 지도 학습 방법을 능가함을 보여줍니다.
