[論文レビュー] Numerical Reconstruction in Magnetic Particle Imaging

Tobias Kluth, Bangti Jin|arXiv (Cornell University)|Jan 29, 2019

Characterization and Applications of Magnetic Nanoparticles参考文献 51被引用数 9

ひとこと要約

本稿は、ノイズに配慮したホワイトニング、データ空間の次元削減のためのランダム化特異値分解（rSVD）、および不一致原理と準最適性原理を用いた高度な正則化パrameter選択を統合することで、磁気粒子画像法（MPI）のロバストで高速かつ高精度な数値再構成フレームワークを提案する。標準的手法と比較して、計算コストを顕著に低減するとともに、画像品質を向上させる。公開のMPIデータセットを用いた検証では、最大70％の高速化とSNRの向上を達成した。

ABSTRACT

Magnetic particle imaging (MPI) is a medical imaging modality of recent origin, and it exploits the nonlinear magnetization phenomenon to recover the spatially dependent concentration of the nanoparticles. Currently, image reconstruction in MPI is frequently carried out by standard Tikhonov regularization with nonnegativity constraint, which is then minimized by a Kaczmarz type method. In this work, we revisit several issues in the numerical reconstruction in MPI from the perspective of modern inverse theory, i.e., the choice of data fidelity, and choosing a suitable regularization parameter and accelerating Kaczmarz iteration via randomized singular value decomposition. These algorithmic tricks are straightforward to implement and easy to incorporate in existing reconstruction algorithms. Their significant potentials are illustrated by extensive numerical experiments on a publicly available dataset.

研究の動機と目的

• ノイズ統計を考慮したホワイトニング手順により、MPI再構成のロバスト性と正確性を向上させること。
• データ空間におけるシステム行列の低ランク近似のためのランダム化SVDを用いて、Kaczmarzに基づく再構成プロセスを高速化すること。
• 不一致原理と準最適性基準を用いて、正則化パrameterを信頼性があり自動的に選択する手法を提供すること。
• SNRに基づく行選択や高価なキャリブレーション手順への依存を減らすために、バックグラウンド測定を用いてノイズ共分散を推定すること。
• オンラインおよび3次元応用に適した、高速でメモリ効率が良く、高品質なMPI再構成を可能にすること。

提案手法

• 推定されたノイズ共分散を用いてシステム行列にホワイトニング変換を適用し、統計的効率性が向上した標準的最小二乗問題に変換する。
• ランダム化SVDを用いてシステム行列の低ランク近似を計算し、方程式の数を削減しながら再構成の忠実性を保持する。
• 低次元化されたシステムをKaczmarz反復フレームワークに統合し、Tikhonov正則化と非負制約を適用する。
• 不一致原理と準最適性基準を用いて正則化パrameterを選択し、安定性と画像品質を向上させる。
• 空のスキャナースキャンからのバックグラウンド測定を用いてノイズ共分散を推定し、追加のキャリブレーション手順を回避する。
• ホワイトニングとrSVDを組み合わせることで、事前の基底選択を必要とせず、ノイズに強い性能と計算の高速化を両立する。

実験結果

リサーチクエスチョン

• RQ1 ノイズに配慮したホワイトニングは、標準的なTikhonov正則化と比較して、MPI再構成の正確性とロバスト性を向上させるか？
• RQ2 データ空間におけるランダム化SVDに基づく次元削減は、画像品質を維持しつつ、MPI再構成をどの程度高速化できるか？
• RQ3 不一致原理と準最適性基準は、ホワイトニング処理および低次元化されたMPIシステムに適用した場合、正則化パrameter選択においてどの程度の性能を示すか？
• RQ4 提案手法は、SNRに基づく行選択や高価な空スキャナーメジャーの必要性を低減できるか？
• RQ5 ホワイトニングとrSVDの組み合わせは、既存のスパース近似法やSNRに基づく削減技術と比較して、速度および再構成品質の面でより効果的か？

主な発見

• ホワイトニングは、不均一分散ノイズを適切に扱うことで再構成の正確性を顕著に向上させ、より良好に条件付けられた逆問題を実現する。
• ランダム化SVDは、方程式の有効な数を最大70％まで削減しながらも、高い再構成忠実度を維持でき、顕著な高速化を実現する。
• 準最適性基準は、残差が最小限に抑えられる高品質な再構成を実現する正則化パrameterを一貫して選択することができ、固定値やヒューリスティックな選択を上回る。
• 提案手法は、特に低SNR条件下において、標準的なTikhonov正則化を用いたベンチマークKaczmarz法と同等またはそれ以上の画像品質を達成する。
• ホワイトニングとrSVDの組み合わせにより、追加の空スキャナーメジャーを必要とせず、計算複雑度を低減することができる。
• 公開のOpen MPI「shape」ファントムデータセットを用いた数値実験により、本手法が3次元設定において特に顕著に高速でロバストかつ高品質な再構成を可能にすることが確認された。