본 논문은 가우시안 노이즈가 포함된 데이터에 대한 심층 학습(DL) 기반 재구축 방법의 훈련 전처리 단계로 자기 지도 학습 기반 잡음 제거를 통합하는 효과를 조사합니다. 훈련에 사용되는 k-공간 데이터는 일반적으로 다중 코일이며 본질적으로 노이즈가 포함되어 있습니다. 완전 샘플링된 데이터로 훈련된 DL 기반 재구축 방법은 높은 재구축 품질을 가능하게 하지만, 대규모의 노이즈가 없는 데이터셋을 얻는 것은 비현실적입니다. 본 연구는 일반화된 Stein의 불편 추정(GSURE)을 잡음 제거에 활용하고, 확산 확률 모델(DPM)과 모델 기반 심층 학습(MoDL)이라는 두 가지 DL 기반 재구축 방법을 평가합니다. T2 강조 뇌 스캔과 지방 억제 양성자 밀도 무릎 스캔에 대한 실험을 통해 다양한 시나리오에서 잡음 제거가 MRI 재구축의 품질과 효율성을 향상시킨다는 것을 확인했습니다. 특히, DL 네트워크 훈련 시 노이즈가 포함된 이미지 대신 잡음 제거된 이미지를 사용하면 다양한 SNR 수준(T2 강조 뇌 데이터의 경우 32dB, 22dB, 12dB, 지방 억제 무릎 데이터의 경우 24dB, 14dB, 4dB)에서 NRMSE는 낮아지고 SSIM과 PSNR은 높아집니다. 결론적으로, 잡음 제거는 다양한 조건에서 DL 기반 MRI 재구축 방법의 효과를 향상시키는 필수적인 전처리 기술임을 보여줍니다. 입력 데이터의 품질을 개선함으로써, 잡음 제거는 노이즈가 없는 참조 MRI 스캔의 필요성을 없애고 더 효과적인 DL 네트워크를 훈련할 수 있게 합니다.
