[論文レビュー] A Practical Study of Longitudinal Reference Based Compressed Sensing for MRI

Samuel Birns, Bohyun Kim+3 more|arXiv (Cornell University)|Aug 16, 2016

Sparse and Compressive Sensing Techniques参考文献 15被引用数 5

ひとこと要約

本論文は、MRIにおける縦断的リファレンスベース圧縮センシング（LACS-MRI）の実用的拡張を提案し、適応的サンプリング、勾配に基づくスパース化、および新規のグレースケール補正アルゴリズムを統合することで、低サンプリング条件下での再構成精度を向上させている。本手法は、事前スキャンを活用し、リファレンス画像とフォローアップ画像間の強度スケーリング差を補正することで、最小限のデータで高い信号対雑音比（RSNR）を達成する。

ABSTRACT

Compressed sensing (CS) is a new signal acquisition paradigm that enables the reconstruction of signals and images from a low number of samples. A particularly exciting application of CS is Magnetic Resonance Imaging (MRI), where CS significantly speeds up scan time by requiring far fewer measurements than standard MRI techniques. Such a reduction in sampling time leads to less power consumption, less need for patient sedation, and more accurate images. This accuracy increase is especially pronounced in pediatric MRI where patients have trouble being still for long scan periods. Although such gains are already significant, even further improvements can be made by utilizing past MRI scans of the same patient. Many patients require repeated scans over a period of time in order to track illnesses and the prior scans can be used as references for the current image. This allows samples to be taken adaptively, based on both the prior scan and the current measurements. Work by Weizman has shown that so-called reference based adaptive-weighted temporal Compressed Sensing MRI (LACS-MRI) requires far fewer samples than standard Compressed Sensing (CS) to achieve the same reconstruction signal-to-noise ratio (RSNR). The method uses a mixture of reference-based and adaptive-sampling. In this work, we test this methodology by using various adaptive sensing schemes, reconstruction methods, and image types. We create a thorough catalog of reconstruction behavior and success rates that is interesting from a mathematical point of view and is useful for practitioners. We also solve a grayscale compensation toy problem that supports the insensitivity of LACS-MRI to changes in MRI acquisition parameters and thus showcases the reliability of LACS-MRI in possible clinical situations.

研究の動機と目的

• 患者の事前スキャンを縦断的リファレンスとして組み込むことで、圧縮センシングMRIのサンプリング要件を低減すること。
• リファレンス画像とフォローアップMRIスキャン間の強度スケーリング不一致が再構成品質を低下させることを是正すること。
• 異なる適応的サンプリング方式、再構成アルゴリズム、画像タイプが再構成性能に与える影響を評価すること。
• MRI撮影パラメータの変動に強い耐性を高めるために、グレースケール補正アルゴリズム（GSC）を新たに開発・検証すること。
• 動的または縦断的画像診断におけるリファレンスベース圧縮センシングの臨床的導入を実現する、実用的で経験的妥当性を有するフレームワークを提供すること。

提案手法

• 現在の測定ベクトルとリファレンス画像を用いて、サンプリング位置をガイドする適応的サンプリング戦略を採用する。
• 画像ドメインにおけるスパarsityを向上させるために、勾配に基づくスパース化を適用し、少ないサンプル数でも再構成品質を向上させる。
• サンプリングされたフーリエ係数を用いて、リファレンス画像とフォローアップ画像間のスケーリング係数 $ c $ を反復的に推定するグレースケール補正アルゴリズム（GSC）を導入する。
• LACS-MRIの最適化問題を、リファレンス画像 $ \boldsymbol{X}_0 $ の代わりに $ c \cdot \boldsymbol{X}_0 $ を使用するように修正する。
• 再帰的更新則を用いる：$ c' = \frac{1}{i} \sum \boldsymbol{Y}_{i,j} / \sum (\boldsymbol{Y}_0)_{i,j} $、その後、$ c = c' \cdot \frac{1}{i} + c \cdot \frac{i-1}{i} $ を反復処理内で更新する。
• 合成および実際のMRIデータ（脳画像およびShepp-Loganファントム画像）を用いて、さまざまなサンプリング率とスケーリング係数下で手法を検証する。

実験結果

リサーチクエスチョン

• RQ1 縦断的リファレンス画像の統合が、MRIにおける圧縮センシングのサンプリング効率と再構成精度に与える影響は何か？
• RQ2 リファレンス画像とフォローアップ画像間の強度スケーリング差がLACS-MRI再構成に与える悪影響はどの程度で、これを効果的に是正できるか？
• RQ3 異なる適応的サンプリング関数および再構成アルゴリズムが、最終的な画像品質およびRSNRに与える影響は何か？
• RQ4 提案されたグレースケール補正アルゴリズム（GSC）は、MRI撮影パラメータの変動にどのように耐性を高めるか？
• RQ5 本手法は、多様な画像タイプおよび顕著な強度スケーリング差下でも高い再構成忠実度を維持できるか？

主な発見

• グレースケール補正アルゴリズム（GSC）は、リファレンスとフォローアップ画像間に2倍の強度スケーリング差がある場合でも、ストリークアーチファクトを顕著に低減し、構造の可視性を向上させる。
• スケーリング係数 $ c = 1 $ の場合、脳画像およびShepp-Loganファントム画像の両方でRSNRが同一値に収束し、GSCアルゴリズムが理想的な条件下で正しく動作していることを検証した。
• RSNRはサンプリング率 $ \eta $ が高くなるに従い上昇し、$ \eta = 0.03 $ から $ 0.30 $ の範囲で明確なトレンドが観察された。これにより、より多くのサンプルが得られれば本手法のスケーラビリティが裏付けられた。
• 適応的サンプリングとリファレンスベースのガイダンスを組み合わせることで、極めて少ないサンプリング（例：$ \eta = 0.06 $）でも高いRSNRを達成できる。
• 再構成品質は、特定の基底における画像のスパarsity特性に強く依存しており、勾配に基づくスパース化は低サンプリング条件下での性能向上を実現する。
• 結果として、GSCを備えたLACS-MRIが強度スケーリングの変動に強く、縦断的患者画像診断における臨床的実用性を支持することが示された。