[논문 리뷰] A Practical Study of Longitudinal Reference Based Compressed Sensing for MRI

Samuel Birns, Bohyun Kim외 3명|arXiv (Cornell University)|2016. 08. 16.

Sparse and Compressive Sensing Techniques참고 문헌 15인용 수 5

한 줄 요약

이 논문은 종단적 참조 기반 압축 센싱(LACS-MRI)의 실용적 확장 방안을 제안하며, 적응형 샘플링, 기울기 기반 희박화, 그리고 새로운 회색조 보정 알고리즘을 통합하여 감소된 샘플링 조건에서도 재구성 정확도를 향상시킨다. 이 방법은 이전 스캔 자료를 활용하여 최소한의 데이터로도 높은 신호 대 잡음비(RSNR)를 달성하며, 참조 이미지와 후속 이미지 간의 강도 스케일링 차이를 보정한다.

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.

연구 동기 및 목표

• 이전 환자 스캔 자료를 종단적 기반으로 활용하여 샘플링 요구량을 줄일 수 있도록 압축 센싱 MRI를 향상시키는 것.
• 참조 및 후속 MRI 스캔 간 강도 스케일링 불일치로 인한 재구성 품질 저하 문제를 해결하는 것.
• 다양한 적응형 샘플링 전략, 재구성 알고리즘, 영상 유형이 재구성 성능에 미치는 영향을 평가하는 것.
• MRI 촬영 파rameter의 변동에 대해 강건성을 향상시키는 데 기여하는 새로운 회색조 보정 알고리즘(GSC)을 개발하고 검증하는 것.
• 실용적이고 경험적으로 검증된 프레임워크를 제공하여 동적 또는 종단적 영상에 대한 참조 기반 압축 센싱의 임상 적용을 가능하게 하는 것.

제안 방법

• 현재 측정 벡터와 참조 영상을 모두 활용하여 샘플링 위치를 지도하는 적응형 샘플링 전략을 채택한다.
• 이미지 도메인에서 희박성을 향상시켜 더 적은 샘플로도 재구성 품질을 향상시키기 위해 기울기 기반 희박화를 적용한다.
• 샘플링된 푸리에 계수를 사용하여 참조 이미지와 후속 이미지 간 스케일링 인자 $ c $를 반복적으로 추정하는 회색조 보정 알고리즘(GSC)을 도입한다.
• LACS-MRI의 최적화 문제를 수정하여 참조 이미지 $ \boldsymbol{X}_0 $ 대신 $ c \cdot \boldsymbol{X}_0 $ 를 사용한다.
• 재귀적 업데이트 규칙을 사용한다: $ c' = \frac{1}{i} \sum \boldsymbol{Y}_{i,j} / \sum (\boldsymbol{Y}_0)_{i,j} $, 그 후 반복 과정에서 $ c = c' \cdot \frac{1}{i} + c \cdot \frac{i-1}{i} $ 로 업데이트한다.
• 다양한 샘플링 비율과 스케일링 인자 조건 하에서 합성 및 실제 MRI 데이터(뇌 영상 및 쉐프-로건 페르소나 영상 포함)를 사용하여 방법을 검증한다.

실험 결과

연구 질문

• RQ1 종단적 기반 참조 영상의 통합이 MRI에서의 압축 센싱 샘플링 효율성과 재구성 정확도에 어떤 영향을 미치는가?
• RQ2 참조 영상과 후속 영상 간 강도 스케일링 불일치가 LACS-MRI 재구성에 미치는 영향은 어느 정도이며, 이를 효과적으로 보정할 수 있는가?
• RQ3 다양한 적응형 샘플링 함수와 재구성 알고리즘이 최종 영상 품질과 RSNR에 미치는 영향은 어떠한가?
• RQ4 제안된 회색조 보정 알고리즘(GSC)이 MRI 촬영 파rameter의 변동에 대해 어떤 방식으로 강건성을 향상시키는가?
• RQ5 이 방법은 다양한 영상 유형과 심한 강도 스케일링 차이 조건 하에서도 높은 재구성 정밀도를 유지할 수 있는가?

주요 결과

• 2배의 강도 스케일링 차이가 있는 경우, 회색조 보정 알고리즘(GSC)은 줄무늬 아티팩트를 크게 감소시키고 구조적 가시성을 향상시켜 재구성 품질을 개선한다.
• 강도 스케일링 인자 $ c = 1 $ 인 조건에서 뇌 영상과 쉐프-로건 페르소나 영상의 RSNR가 동일한 값으로 수렴함으로써, 이상적인 조건 하에서 GSC 알고리즘이 정확하게 작동함을 검증한다.
• 샘플링 비율 $ \eta $ 이 증가할수록 RSNR가 증가하며, $ \eta = 0.03 $ 에서 $ 0.30 $ 사이에서 명확한 추세를 보임으로써 더 많은 샘플이 제공될수록 방법의 확장성이 입증된다.
• 적응형 샘플링과 기반 참조 지도를 결합할 경우, 최소한의 샘플링 조건(예: $ \eta = 0.06 $)에서도 높은 RSNR를 달성할 수 있다.
• 재구성 품질은 주어진 기저에서 영상의 희박성 특성에 크게 의존하며, 기울기 기반 희박화가 저샘플링 조건에서 성능 향상에 기여한다.
• 결과적으로 LACS-MRI에 GSC를 적용한 방법은 강도 스케일링 변화에 대해 강건하며, 종단적 환자 영상에 대한 임상적 타당성을 뒷받침한다.