[논문 리뷰] Variable density sampling with continuous sampling trajectories

Nicolas Chauffert, Philippe Ciuciu외 2명|arXiv (Cornell University)|2013. 11. 23.

Sparse and Compressive Sensing Techniques참고 문헌 39인용 수 7

한 줄 요약

이 논문은 MRI 압축 감지에서 일관성 장벽을 극복하기 위해 연속적인 샘플링 궤적을 갖춘 가변 밀도 샘플러(VDS)를 도입한다. 이는 하드웨어 제약 조건 하에서도 최적의 샘플링을 가능하게 한다. 두 가지 연속적 VDS 방법—랜덤 워크와 TSP 기반 샘플링—을 제안하여, 기존의 나선형 및 방사형 궤적과 비교해 재구성된 MR 영상의 SNR 향상을 입증한다.

ABSTRACT

Reducing acquisition time is a crucial challenge for many imaging techniques. Compressed Sensing (CS) theory offers an appealing framework to address this issue since it provides theoretical guarantees on the reconstruction of sparse signals by projection on a low dimensional linear subspace. In this paper, we focus on a setting where the imaging device allows to sense a fixed set of measurements. We first discuss the choice of an optimal sampling subspace (smallest subset) allowing perfect reconstruction of sparse signals. Its standard design relies on the random drawing of independent measurements. We discuss how to select the drawing distribution and show that a mixed strategy involving partial deterministic sampling and independent drawings can help breaking the so-called coherence barrier. Unfortunately, independent random sampling is irrelevant for many acquisition devices owing to acquisition constraints. To overcome this limitation, the notion of Variable Density Samplers (VDS) is introduced and defined as a stochastic process with a prescribed limit empirical measure. It encompasses samplers based on independent measurements or continuous curves. The latter are crucial to extend CS results to actual applications. Our main contribution lies in two original continuous VDS. The first one relies on random walks over the acquisition space whereas the second one is heuristically driven and rests on the approximate solution of a Traveling Salesman Problem. Theoretical analysis and retrospective CS simulations in magnetic resonance imaging highlight that the TSP-based solution provides improved reconstructed images in terms of signal-to-noise ratio compared to standard sampling schemes (spiral, radial, 3D iid...).

연구 동기 및 목표

• MRI 촬영 시간을 단축하면서도 영상 품질을 유지하는 데 도전한다.
• 독립적인 랜덤 측정을 초월한 샘플링 전략 개선을 통해 압축 감지에서 일관성 장벽을 극복한다.
• 특히 연속적인 궤적을 고려한 실제 촬영 제약 조건과 호환되는 실용적인 샘플링 계획을 개발한다.
• 독립 샘플링과 연속 곡선을 일반화하는 최적의 재구성에 적합한 가변 밀도 샘플러(VDS)를 설계한다.

제안 방법

• 지정된 극한 경험 측도를 갖는 확률적 과정으로서 가변 밀도 샘플러(VDS)를 정의하여, 독립적 샘플링과 연속적 샘플링을 일반화한다.
• 촬영 공간에서의 랜덤 워크를 기반으로 한 첫 번째 연속적 VDS를 제안하여 가변 밀도 샘플링을 구현한다.
• 여기서는 여행하는 판매원 문제(TSP)의 근사 해를 기반으로 한 히우리스틱 기반의 두 번째 VDS를 도입하여 궤적의 연속성과 밀도를 최적화한다.
• 이론적 분석을 통해 TSP 기반 VDS는 결정론적 및 랜덤 샘플링 성분을 균형 있게 조절함으로써 일관성 장벽을 돌파할 수 있음을 보여준다.
• 다양한 샘플링 전략 하에서 압축 감지 시뮬레이션을 후행적으로 수행하여 재구성 성능을 평가한다.
• 신호 대 잡음비(SNR)를 주요 지표로 사용하여 제안된 VDS 방법을 표준 샘플링 궤적(나선형, 방사형, 3D i.i.d.)과 비교한다.

실험 결과

연구 질문

• RQ1 하드웨어 제약 조건 하에서도 압축 감지에서 최적의 샘플링 효율을 달성할 수 있는 연속적 샘플링 궤적을 설계할 수 있는가?
• RQ2 결정론적 및 랜덤 샘플링의 하이브리드 전략을 통해 압축 감지에서 일관성 장벽을 어떻게 극복할 수 있는가?
• RQ3 TSP 기반 연속 궤적은 MRI에서 기존의 표준 샘플링 패턴에 비해 영상 재구성 품질을 얼마나 향상시키는가?
• RQ4 지정된 경험 측도를 갖는 확률적 과정으로서 가변 밀도 샘플링을 어떻게 수학적으로 정의할 수 있으며, 이로써 이론적 보장을 확보할 수 있는가?
• RQ5 궤적의 연속성이 후행적 압축 감지 MRI 시뮬레이션에서 재구성 SNR에 어떤 영향을 미치는가?

주요 결과

• TSP 기반 연속적 VDS는 나선형, 방사형, 3D i.i.d.와 같은 표준 샘플링 전략보다 재구성 영상의 신호 대 잡음비(SNR)에서 뛰어난 성능을 보였다.
• 제안된 VDS 프레임워크는 독립 샘플링과 연속 궤적을 하나의 지정된 경험 측도를 갖는 통합된 확률적 과정으로 일반화하는 데 성공했다.
• 부분적인 결정론적 샘플링과 독립적 측정의 조합 전략이 압축 감지에서 일관성 장벽을 돌파하는 데 기여한다.
• 후행적 시뮬레이션 결과, 특히 TSP 기반 궤적이 전통적인 샘플링 패턴보다 더 높은 재구성 정밀도를 제공하는 것으로 나타났다.
• 이론적 분석을 통해 제안된 VDS 방법이 희소 신호 재구성에서 안정적이고 강건한 신호 복원을 위한 필수 조건을 유지함을 확인했다.