[論文レビュー] Fast Multi-class Dictionaries Learning with Geometrical Directions in MRI Reconstruction

Zhifang Zhan, Jian‐Feng Cai+4 more|arXiv (Cornell University)|Mar 10, 2015

Sparse and Compressive Sensing Techniques参考文献 11被引用数 17

ひとこと要約

本稿では、画像のパッチをその幾何学的方向に応じてグループ化することで、適応的スパース表現を可能にする、高速なマルチクラス辞書学習手法を提案する。増分方向法（ADMM）を用いることで、特に10までの高い加速要因において、K-SVDに基づく手法に比べて優れた画像品質と低減されたアーティファクト、かつ高速な計算を達成する。

ABSTRACT

Objective: Improve the reconstructed image with fast and multi-class dictionaries learning when magnetic resonance imaging is accelerated by undersampling the k-space data. Methods: A fast orthogonal dictionary learning method is introduced into magnetic resonance image reconstruction to providing adaptive sparse representation of images. To enhance the sparsity, image is divided into classified patches according to the same geometrical direction and dictionary is trained within each class. A new sparse reconstruction model with the multi-class dictionaries is proposed and solved using a fast alternating direction method of multipliers. Results: Experiments on phantom and brain imaging data with acceleration factor up to 10 and various undersampling patterns are conducted. The proposed method is compared with state-of-the-art magnetic resonance image reconstruction methods. Conclusion: Artifacts are better suppressed and image edges are better preserved than the compared methods. Besides, the computation of the proposed approach is much faster than the typical K-SVD dictionary learning method in magnetic resonance image reconstruction. Significance: The proposed method can be exploited in undersapmled magnetic resonance imaging to reduce data acquisition time and reconstruct images with better image quality.

研究の動機と目的

• 辞書学習を用いた適応的スパース表現を活用することで、加速MRIにおける再構成画像品質の向上を図ること。
• 特に従来のK-SVD手法と比較して、スパースMRI再構成における計算コストの低減を図ること。
• 画像パッチを幾何学的方向に基づいて分類することで、スパarsityと構造的忠実性を向上させること。
• MRIにおけるマルチクラス辞書学習のための高速でスケーラブルな最適化フレームワークの開発を図ること。
• 10倍までの高い加速要因を実現しつつ、アーティファクト抑制とエッジ保持を向上させること。

提案手法

• 勾配または構造の方向性を用いて、画像パッチをその支配的幾何学的方向に応じてグループ化する。
• 各方向クラス内で独立して、高速な直交辞書学習アルゴリズムを適用し、コン pact でクラス固有の辞書を学習する。
• 各方向グループごとのスパarsityを促進するために、マルチクラス辞書を用いた新しいスパース再構成モデルを定式化する。
• 収束が速いよう、増分方向法（ADMM）を用いて最適化問題を解く。
• ADMMフレームワーク下で、学習済み辞書を用いたスパースコーディングと辞書更新ステップを交互に繰り返す。
• アンダーサンプリングされたk-spaceデータに本手法を適用し、学習済みマルチクラス辞書を用いて画像ドメインで再構成を実行する。

実験結果

リサーチクエスチョン

• RQ1 画像パッチを幾何学的方向にグループ化することで、MRI再構成におけるスパース表現のスパarsityと精度が向上するか？
• RQ2 方向分類に基づくマルチクラス辞書学習は、単一辞書やK-SVDベースの手法と比較して、再構成品質にどのように差をつけるか？
• RQ3 提案手法は、高加速要因下でも画像品質を維持または向上させつつ、計算時間をどの程度短縮できるか？
• RQ4 提案手法は、アンダーサンプリングされたMRIデータにおいて、画像エッジをよりよく保持し、アーティファクトを効果的に抑制できるか？
• RQ5 本手法は、さまざまなアンダーサンプリングパターンや加速要因に対して、どの程度頑健であるか？

主な発見

• 提案手法は、最先端の再構成技術と比較して、顕著に低減されたアーティファクトと優れた画像品質を達成する。
• 方向分類とクラス固有の辞書学習のおかげで、画像エッジがよりよく保持される。
• 従来のK-SVDベースの辞書学習に比べて、計算時間が著しく短縮され、リアルタイムまたはニアリアルタイム再構成が可能になる。
• 本手法は、さまざまなアンダーサンプリングパターンや加速要因（10倍まで）においても高い性能を維持する。
• 定量的評価では、アーティファクトとエッジ保持の両面で、ベースライン手法に比べてピークS/N比（PSNR）と構造的類似性指数（SSIM）が向上している。
• 方向性パッチ分類の活用により、スパarsityが向上し、高度にアンダーサンプリングされたk-spaceデータからのより正確な再構成が可能になった。