본 논문은 가우시안 잡음이 포함된 데이터에서 심층 학습(DL) 기반 재구성 방법의 훈련을 위한 전처리 단계로 자기 지도 학습 기반 잡음 제거를 통합하는 효과를 연구합니다. 훈련에 사용되는 k-공간 데이터는 일반적으로 다중 코일이며 본질적으로 잡음이 많습니다. 완전 샘플링된 데이터로 훈련된 DL 기반 재구성 방법은 높은 재구성 품질을 가능하게 하지만, 크고 잡음이 없는 데이터셋을 얻는 것은 비현실적입니다. 본 연구는 일반화된 스타인의 불편 추정(GSURE)을 이용하여 잡음 제거를 수행합니다. 확산 확률 모델(DPM)과 모델 기반 심층 학습(MoDL)이라는 두 가지 DL 기반 재구성 방법을 평가합니다. 가속화된 다중 코일 자기 공명 영상(MRI) 재구성 문제에서 이러한 DL 기반 방법의 성능에 대한 잡음 제거의 영향을 평가합니다. T2 강조 뇌 스캔과 지방 억제 양성자 밀도 무릎 스캔에서 실험을 수행했습니다. 다양한 시나리오에서 자기 지도 학습 기반 잡음 제거가 MRI 재구성의 품질과 효율성을 향상시킨다는 것을 관찰했습니다. 특히, DL 네트워크를 훈련할 때 잡음이 있는 이미지 대신 잡음이 제거된 이미지를 사용하면 T2 강조 뇌 데이터의 경우 32dB, 22dB, 12dB, 지방 억제 무릎 데이터의 경우 24dB, 14dB, 4dB 등 다양한 SNR 수준에서 정규화된 제곱근 평균 제곱 오차(NRMSE)가 낮아지고, 구조적 유사성 지수 측정(SSIM)과 최대 신호 대 잡음비(PSNR)가 높아집니다. 전반적으로, 잡음 제거는 다양한 조건에서 DL 기반 MRI 재구성 방법의 효능을 향상시킬 수 있는 필수적인 전처리 기술임을 보여줍니다. 입력 데이터의 품질을 개선함으로써, 잡음 제거는 더 효과적인 DL 네트워크를 훈련할 수 있게 하여 잡음이 없는 참조 MRI 스캔의 필요성을 우회할 수 있습니다.
