[논문 리뷰] Compressed Sensing for Moving Imagery in Medical Imaging

Çağdaş Bilen, Yao Wang외 1명|arXiv (Cornell University)|2012. 03. 26.

Sparse and Compressive Sensing Techniques참고 문헌 1인용 수 5

한 줄 요약

이 논문은 동적 의료 영상에서 압축 감지 재구성에 대해 운동 보정 사전 분포를 제안하며, 광학 흐름 제약 조건을 활용하여 이동하는 영상을 희박하게 표현한다. 운동과 신호를 함께 또는 별도로 추정함으로써, 특히 고속 운동 상황에서 기존의 TV 및 DFT 정규화 기법보다 우수한 재구성 품질을 달성한다. 심장 MRI 데이터셋에서 고하향율일 경우 RMSE가 최대 25% 낮아진다.

ABSTRACT

Numerous applications in signal processing have benefited from the theory of compressed sensing which shows that it is possible to reconstruct signals sampled below the Nyquist rate when certain conditions are satisfied. One of these conditions is that there exists a known transform that represents the signal with a sufficiently small number of non-zero coefficients. However when the signal to be reconstructed is composed of moving images or volumes, it is challenging to form such regularization constraints with traditional transforms such as wavelets. In this paper, we present a motion compensating prior for such signals that is derived directly from the optical flow constraint and can utilize the motion information during compressed sensing reconstruction. Proposed regularization method can be used in a wide variety of applications involving compressed sensing and images or volumes of moving and deforming objects. It is also shown that it is possible to estimate the signal and the motion jointly or separately. Practical examples from magnetic resonance imaging has been presented to demonstrate the benefit of the proposed method.

연구 동기 및 목표

• 기존의 희박성 촉진 변환(예: 웨이브릿, TV)이 운동으로 인해 실패할 때 동적 영상 재구성 문제를 해결하기 위해.
• 고품질 기준 프레임이 필요 없이 시간적 상관관계를 활용하는 운동 인식 정규화 방법을 개발하기 위해.
• 압축 감지 재구성 과정에서 운동과 신호를 함께 또는 별도로 추정함으로써 정확도와 강인성을 향상시키기 위해.
• 특히 고속 운동을 보이는 심장 MRI와 같은 실제 의료 영상 적용 분야에서의 효능을 입증하기 위해.

제안 방법

• 광학 흐름 제약 조건에서 유도된 운동 보정 사전 분포를 도입하여, 프레임 간 영상 강도의 시간적 변화를 모델링한다.
• 운동 보정 차분 기반의 희박성 촉진 정규화 항을 사용하여, 공간적으로 변화하는 운동을 고려하는 시간적 TV의 일반화를 수행한다.
• 비볼록이고 비연속인 최소화 문제의 효율적 해법을 위해 스플릿 브레드먼 알고리즘을 활용한다.
• 분리 최적화와 통합 최적화를 모두 지원: 분리는 모ularity와 강인성을 확보하고, 통합은 고속 운동 조건에서 수렴성과 성능을 향상시킨다.
• 계산 효율성을 유지하기 위해 운동 보정 변환(K_t(v))의 희박 행렬 표현을 활용한다.
• 대규모 선형 시스템을 해결하기 위해 공액 기울기 방법을 활용하여 계산 오버헤드를 최소화한다.

실험 결과

연구 질문

• RQ1 광학 흐름에서 유도된 운동 보정 사전 분포가 이동하는 의료 영상의 압축 감지 재구성 성능을 향상시킬 수 있는가?
• RQ2 운동과 신호의 통합 추정이 별도 추정 대비 재구성 품질과 계산 비용에서 어떻게 다를 수 있는가?
• RQ3 고속 운동이 있는 동적 MRI에서 제안된 방법이 표준 정규화 기법(예: TV, DFT)을 초월하는가?
• RQ4 고품질 기준 프레임이 제공되지 않을 경우에도 이 방법이 효과적으로 적용될 수 있는가?
• RQ5 성능는 운동 추정 오차에 얼마나 민감한가? 반복적 정밀 조정이 결과를 향상시킬 수 있는가?

주요 결과

• 제안된 Motion-TV 및 Joint Motion-TV 방법은 심장 MRI 데이터셋에서 모든 시험 하향율(R=8에서 R=14)에서 DFT 및 TV 정규화보다 낮은 RMSE를 달성했다.
• Dataset 1에서 R=8일 경우, DFT 대비 Motion-TV가 RMSE를 최대 25% 감소시켰다(0.0139 vs. 0.0220), 모든 하향율에서 일관된 향상이 관찰되었다.
• 고속 운동 상황에서는 통합 추정이 별도 추정보다 우수했으며, 악화된 초기 재구성에도 강인했고, R=14에서 오차를 약 10% 감소시켰다.
• 운동 정렬에 기인한 비용으로 전체 실행 시간이 약 20% 증가했지만, 수렴 속도는 유사하게 유지되었고(100회 반복으로 충분함), 성능에 영향을 주지 않았다.
• 기존 TV 및 DFT가 신호를 충분히 희박하게 표현하지 못하는 고속 운동 케이스에서 본 방법이 열등한 성능를 보였다.
• 희박한 K_t(v) 행렬의 사용으로 계산 오버헤드가 최소화되었으며, 단순한 변환 대비 반복당 시간 증가율이 오직 10%에 불과했다.