[논문 리뷰] MRF denoising with compressed sensing and adaptive filtering

Zhe Wang, Qinwei Zhang외 2명|arXiv (Cornell University)|2014. 01. 03.

Sparse and Compressive Sensing Techniques참고 문헌 5인용 수 4

한 줄 요약

이 논문은 압축 감지(CS)를 통한 k-space 복원, 오차 예측을 위한 결합 트리, 오차 보정을 위한 적응형 필터링을 통합하여 자기공명 분자지문(MRF) 매개변수 맵 품질을 향상시키는 새로운 프레임워크를 제안한다. 이 방법은 PSNR와 SSIM을 크게 향상시켜 T1 맵의 경우 최대 28.4 dB의 PSNR와 0.881의 SSIM을 달성하며, 기준 MRF 및 중간 접근 방식을 뛰어넘는 성능을 보였다.

ABSTRACT

The recently proposed Magnetic Resonance Fingerprinting (MRF) technique can simultaneously estimate multiple parameters through dictionary matching. It has promising potentials in a wide range of applications. However, MRF introduces errors due to undersampling during the data acquisition process and the limit of dictionary resolution. In this paper, we investigate the error source of MRF and propose the technologies of improving the quality of MRF with compressed sensing, error prediction by decision trees, and adaptive filtering. Experimental results support our observations and show significant improvement of the proposed technologies.

연구 동기 및 목표

• MRF 매개변수 추정에서 주로 k-space의 과도한 샘플링 및 사전 해상도가 낮은 사전의 한계로 인한 주요 오차 원인을 규명하고 이를 해결하기 위해.
• 노이즈 및 사전 항목 간의 불일치가 존재하는 상황에서도 MRF 기반 정량적 맵의 정확성과 강인성을 향상시키기 위해.
• 압축 감지, 기계학습 기반 오차 예측, 공간 필터링을 통합한 하이브리드 프레임워크를 개발하여 영상 품질을 향상시키기 위해.

제안 방법

• 사전 사전 매칭 이전에 각 샘플링 시간에 압축 감지를 적용하여 과도하게 샘플링된 k-space 데이터를 복원함으로써 아티팩트를 감소시킴.
• 사전 매칭에서 상위 여덟 개의 유사도 값과 인덱스를 사용하여 결정 트리를 훈련시어 픽셀 단위 추정 오차를 예측함.
• 오류가 발생한 픽셀 자체를 제외하고, 국소적 유사도에 기반하여 인접한 픽셀에 가중치를 적용하여 잘못된 추정치를 보정하는 적응형 필터링을 사용함.
• 측정된 신호 진동과 사전 항목 간의 내적 곱 유사도를 활용하여 최적 매칭 매개변수를 식별함.
• 다단계 파이프라인 설계: CS 복원 → 결정 트리 기반 오차 예측 → 예측된 오차의 적응형 필터링.
• 임상적 스캔 시간 제약 조건을 시뮬레이션하기 위해 70% 비율의 가변 밀도 무작위 과도 샘플링 마스크를 사용함.

실험 결과

연구 질문

• RQ1 k-space 과도 샘플링과 사전 해상도가 MRF 매개변수 맵의 정확성에 어떤 영향을 미치는가?
• RQ2 여러 유사도 지표를 기반으로 훈련된 결정 트리가 단일 임계값 방법에 비해 오류가 발생한 픽셀을 더 잘 탐지할 수 있는가?
• RQ3 압축 감지와 적응형 필터링을 조합함으로써 MRF에서의 추정 오차는 어느 정도 감소하는가?
• RQ4 오류가 발생한 픽셀을 필터링 커널에서 제외함으로써 보정된 매개변수 맵의 품질은 어떻게 향상되는가?
• RQ5 제안된 구성 요소들이 T1, T2 및 오프레온런시 맵 전반에 걸쳐 PSNR 및 SSIM 측면에서 정량적으로 어떻게 비교되는가?

주요 결과

• 제안된 CS-Tree8AF 방법은 T1 맵에서 PSNR 28.4 dB, SSIM 0.881을 달성하여 표준 MRF(24.3 dB) 대비 4.1 dB 향상된 성능을 보였다.
• 오프레온런시 주파수 맵의 경우 CS-Tree8AF는 PSNR 28.9 dB, SSIM 0.974를 기록하여 MRF 대비 각각 6.0 dB 및 0.107 향상된 성능을 보였다.
• 결정 트리에 상위 유사도 값과 인덱스를 포함한 여덟 개의 입력 속성을 포함시킴으로써 단일 또는 네 개의 속성 모델보다 더 나은 오차 예측 성능을 달성함.
• 결정 트리 예측과 함께 적응형 필터링을 적용할 경우, CS 전용 또는 필터링 전용 접근 방식보다 훨씬 뛰어난 결과를 도출함.
• 특히 사전 항목 간의 진짜 매개변수 값이 끼어있는 영역에서 비정규 분포 오차를 효과적으로 감소시킴.
• 정량적 평가 결과, CS-Tree8AF는 모든 메트릭과 매개변수 맵에서 모든 기준선을 압도하며 강인성과 확장성을 입증함.