[논문 리뷰] A Compressed Sensing Framework for Magnetic Resonance Fingerprinting

Mike E. Davies, Gilles Puy외 2명|arXiv (Cornell University)|2013. 12. 09.

Advanced MRI Techniques and Applications인용 수 4

한 줄 요약

이 논문은 과도하게 샘플링된 k-space 데이터로부터 T1, T2, 프로톤 밀도, 오프레온런스 지도를 동시에 정확하게 복원할 수 있는 압축 감지(Compressed Sensing, CS) 프레임워크를 제안한다. 신호가 낮은 차원의 블로흐 응답 다양체 위에 존재한다고 모델링하고, 무작위 자극과 투사 랜드베르 알고리즘을 사용한 부분 샘플링을 통해, 지속적인 자극 조건과 이론적 보장 하에서 정확한 재구성을 달성한다. 시뮬레이션 결과, 원래의 MRF 매치 필터 방법보다 성능이 뛰어나다.

ABSTRACT

Inspired by the recently proposed Magnetic Resonance Fingerprinting (MRF) technique, we develop a principled compressed sensing framework for quantitative MRI. The three key components are: a random pulse excitation sequence following the MRF technique; a random EPI subsampling strategy and an iterative projection algorithm that imposes consistency with the Bloch equations. We show that theoretically, as long as the excitation sequence possesses an appropriate form of persistent excitation, we are able to accurately recover the proton density, T1, T2 and off-resonance maps simultaneously from a limited number of samples. These results are further supported through extensive simulations using a brain phantom.

연구 동기 및 목표

• 무작위 자극과 k-space 부분 샘플링 간의 관계를 명확히 하여, 원칙적인 압축 감지(Compressed Sensing, CS) 프레임워크 내에서 자기공명 영상의 영상학적 특성(Magnetic Resonance Fingerprinting, MRF)을 수학적으로 정의한다.
• 정량적 MRI에 적합한 낮은 차원의 신호 모델로 블로흐 응답 다양체를 식별하여, 히وري스틱한 사전 자료 기반 접근 방식을 대체한다.
• 블로흐 방정식에 일치하고 다각형 기반 CS를 지원하는, 실용적인 반복 재구성 알고리즘—투사 랜드베르 알고리즘 기반—을 개발한다.
• 이론적 및 실험적으로 지속적인 자극과 무작위 부분 샘플링이 제한된 측정치로부터 정량적 조직 파rameter의 정확한 복원을 가능하게 함을 입증한다.

제안 방법

• 이 방법은 MR 신호를 T1, T2, 프로톤 밀도 및 오프레온런스로 매개변수화된 블로흐 응답 다각형 위의 점으로 모델링하여, 신호 공간 내에서 낮은 차원의 다양체를 형성한다.
• 조직을 자극하기 위해 무작위 RF 펄스 시퀀스를 사용하여, CS 복원에 필요한 지속적인 자극을 보장한다.
• k-space는 EPI 유사한 방식의 무작위 전략을 사용하여 부분 샘플링하여 스캔 시간을 단축시키면서도 재구성에 필요한 정보를 유지한다.
• 투사 랜드베르 알고리즘이 블로흐 방정식에 일치하는 것을 강제하고 정량적 파rameter 지도의 추정치를 반복적으로 개선한다.
• 재구성 안정성 향상과 노이즈 증폭 감소를 위해 공간 정규화 확장을 포함한다.
• 이론적 분석은 존슨-린든스트라우스 임bedding과 RIP 유사 추론을 사용하여, 무작위 투사가 블로흐 다양체 위의 거리를 높은 확률로 유지함을 보여준다.

실험 결과

연구 질문

• RQ1 MRF에 대해 원칙적인 압축 감지 프레임워크를 수립할 수 있는가? 특히 무작위 자극, 무작위 부분 샘플링, 다각형 기반 희박성 간의 명시적 연결을 포함하여.
• RQ2 자극 시퀀스와 샘플링 패턴에 어떤 조건이 요구되어야 정량적 조직 파rameter의 안정적이고 정확한 복원이 보장되는가?
• RQ3 제안된 반복 재구성 방법은 원래의 MRF 매치 필터 방법과 비교해 정확도와 수렴 속도 측면에서 어떻게 성능을 발휘하는가?
• RQ4 MRF에서 샘플 수, 자극 시퀀스 길이, 재구성 오차 간의 이론적 관계는 무엇인가?
• RQ5 블로흐 응답 다각형은 CS에 적합한 낮은 차원의 신호 모델로 간주될 수 있는가? 필요한 샘플링 조건은 무엇인가?

주요 결과

• 이론적 분석 결과, 지속적인 자극 조건 하에서 무작위 샘플링과 반복 투사 방법을 사용해 과도하게 샘플링된 k-space 데이터로부터 블로흐 응답 다각형을 안정적으로 복원할 수 있음을 입증하였다.
• 제안된 투사 랜드베르 알고리즘은 효율적으로 수렴하며, 특히 고도의 부분 샘플링 조건에서 원래의 MRF 매치 필터보다 더 높은 재구성 정확도를 제공한다.
• 뇌 페트리 펌프에서의 시뮬레이션 결과, CS 기반 방법이 매치 필터 방법보다 훨씬 낮은 파라미터 추정 오차(예: T1 및 T2의 경우 <5% RMSE)를 달성함을 입증하였다.
• 높은 k-space 부분 샘플링 조건에서도 강인성을 유지하며, 스캔 시간과 정확도 사이에 유리한 트레이드오프를 보였다.
• 샘플링 요구 조건에 대한 이론적 경계 분석 결과, 샘플 수는 다양체의 차원에 대해 로그 스케일로 증가하고, 원하는 정확도에 반비례함을 보였다.
• 히وري스틱한 사전 자료 매칭 대안으로서 원칙적인 접근을 제공하며, 적절한 조건 하에서 정확한 재구성을 가능하게 한다.