[논문 리뷰] Fast Multi-class Dictionaries Learning with Geometrical Directions in MRI Reconstruction

Zhifang Zhan, Jian‐Feng Cai외 4명|arXiv (Cornell University)|2015. 03. 10.

Sparse and Compressive Sensing Techniques참고 문헌 11인용 수 17

한 줄 요약

이 논문은 기하학적 방향에 따라 영상 패치를 그룹화하여 가속화된 MRI 재구성에 대한 빠른 다중 클래스 사전 학습 방법을 제안한다. 이는 적응형 희박 표현을 가능하게 한다. 분할 정복 다중 승수 방법(ADMM)을 사용하여, K-SVD 기반 방법에 비해 더 낮은 잡음과 더 빠른 계산을 통해 뛰어난 영상 품질을 달성하며, 특히 10까지의 높은 가속도 요인에서도 유의미하게 성능이 향상된다.

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.

연구 동기 및 목표

• 사전 학습을 통한 적응형 희박 표현을 활용하여 가속화된 MRI 재구성의 영상 품질을 향상시키기.
• 기존의 K-SVD 방법에 비해 희박 MRI 재구성에서 계산 비용을 줄이기.
• 기하학적 방향 기반 영상 패치 분류를 통해 희박성과 구조적 충실도를 향상시키기.
• MRI에서 다중 클래스 사전 학습을 위한 빠르고 확장 가능한 최적화 프레임워크 개발하기.
• 최대 10배의 높은 가속도 요인에서 잡음 억제 및 가장자리 유지가 향상된 재구성 가능하게 하기.

제안 방법

• 기울기 또는 구조 방향을 사용하여 영상 패치를 주로 기하학적 방향에 따라 그룹화한다.
• 각 방향 클래스 내에서 독립적으로 빠른 직교 사전 학습 알고리즘을 적용하여 압축된, 클래스별로 특화된 사전를 학습한다.
• 다중 클래스 사전를 사용하여 각 방향 그룹 별 희박성을 증진하는 새로운 희박 재구성 모델을 수립한다.
• 빠른 수렴을 위해 최적화 문제를 분할 정복 다중 승수 방법(ADMM)을 통해 해결한다.
• ADMM 프레임워크 내에서 학습된 사전를 사용한 희박 코딩과 사전 갱신 단계를 번갈아 수행한다.
• 학습된 다중 클래스 사전를 사용하여, k-스페이스 데이터의 부족 샘플링에 적용하고, 이미지 도메인에서 재구성한다.

실험 결과

연구 질문

• RQ1 기하학적 방향에 따라 영상 패치를 그룹화하는 것이 MRI 재구성에서 희박성과 표현 정확도를 향상시키는가?
• RQ2 방향 분류 기반의 다중 클래스 사전 학습 방법이 단일 사전 또는 K-SVD 기반 방법에 비해 재구성 품질에서 어떻게 비교되는가?
• RQ3 제안된 방법은 고가속도 요인에서 영상 품질을 유지하거나 향상시키면서도 계산 시간을 얼마나 줄이는가?
• RQ4 제안된 방법은 부족 샘플링된 MRI 데이터에서 영상 가장자리와 잡음을 더 잘 유지하는가?
• RQ5 이 방법은 다양한 부족 샘플링 패턴과 가속도 요인에 대해 얼마나 강인한가?

주요 결과

• 제안된 방법은 최신 기술에 비해 유의미하게 낮은 잡음과 뛰어난 영상 품질을 달성한다.
• 방향 분류와 클래스별 사전 학습 덕분에 영상 가장자리가 더 잘 유지된다.
• 기존의 K-SVD 기반 사전 학습보다 계산 시간이 크게 단축되어 실시간 또는 거의 실시간 재구성이 가능하다.
• 이 방법은 다양한 부족 샘플링 패턴과 가속도 요인(최대 10배)에서 높은 성능을 유지한다.
• 정량적 결과는 펌프형 및 생체 뇌 데이터에서 기준 방법 대비 향상된 피크 신호 대 잡음비(PSNR)와 구조 유사도 지수(SSIM)를 보여준다.
• 방향 기반 패치 분류의 사용은 희박성을 향상시켜 고도로 부족 샘플링된 k-스페이스 데이터로부터 더 정확한 재구성을 가능하게 한다.