본 논문은 MRI 재구성 과정에서 얻은 정량적 잡음 분포 정보를 활용하여 잡음 제거 성능 및 일반화 성능을 향상시키는 새로운 심층 학습 기반 MRI 잡음 제거 방법을 개발하고 평가한 연구이다. 96,605개의 심장 역동기능 영상 시리즈(2,885,236개 이미지)를 이용하여 14개의 서로 다른 Transformer 및 Convolutional 모델을 두 가지 백본 아키텍처로 학습시켰다. 제안된 SNRAware 학습 방식은 대규모, 고품질 및 다양한 합성 데이터셋을 생성하고 모델에 정량적 잡음 분포 정보를 제공함으로써 잡음 제거 성능을 향상시킨다. 내부 데이터셋(3000개 샘플)에서 PSNR과 SSIM을 사용하여 성능을 측정하고 잡음 증강 없이 비교 분석을 실시했다. 외부 데이터셋(1.5T에서 획득된 심장 실시간 영상, 1차 통과 심장 관류 영상, 신경 및 척추 MRI)을 사용하여 영상 시퀀스, 역동적으로 변화하는 대조도, 해부학적 구조, 자장 세기 전반에 걸친 모델의 일반화 성능을 평가했다. 내부 데이터셋 테스트에서 가장 우수한 모델은 외부 데이터셋에서도 우수한 일반화 성능을 보였으며, 실시간 영상 및 관류 영상에서 각각 6.5배 및 2.9배의 CNR 향상을 달성했다. 또한, 심장 영상 데이터로만 학습된 모델은 T1 MPRAGE 뇌 3D 스캔 및 T2 TSE 척추 MRI에도 우수한 일반화 성능을 보였다.
