[论文解读] A Practical Study of Longitudinal Reference Based Compressed Sensing for MRI

Samuel Birns, Bohyun Kim+3 more|arXiv (Cornell University)|Aug 16, 2016

Sparse and Compressive Sensing Techniques参考文献 15被引用 5

一句话总结

本文提出了一种实用的纵向参考基压缩感知（LACS-MRI）在磁共振成像（MRI）中的扩展，通过整合自适应采样、基于梯度的稀疏化以及一种新型灰度补偿算法，以在减少采样量的情况下提升重建精度。该方法通过利用先前扫描的图像，有效纠正参考图像与随访图像之间的强度比例差异，从而在最小数据量下实现高信噪比（RSNR）。

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.

研究动机与目标

• 通过将患者的先前扫描图像作为纵向参考，提升压缩感知MRI，以减少采样需求。
• 解决参考图像与随访MRI图像之间存在的强度比例不匹配问题，该问题会降低重建质量。
• 评估不同自适应采样方案、重建算法和图像类型对重建性能的影响。
• 开发并验证一种灰度补偿算法，以提高对MRI采集参数变化的鲁棒性。
• 为动态或纵向成像中基于参考的压缩感知在临床中的部署，提供一种实用且经验验证的框架。

提出的方法

• 采用一种自适应采样策略，利用当前测量向量和参考图像共同指导采样位置的选择。
• 应用基于梯度的稀疏化方法，增强图像域中的稀疏性，从而在采样数较少时提升重建质量。
• 提出一种灰度补偿算法（GSC），通过采样的傅里叶系数迭代估计参考图像与随访图像之间的比例因子 $ c $。
• 修改LACS-MRI中的优化问题，使用 $ c \cdot \boldsymbol{X}_0 $ 代替 $ \boldsymbol{X}_0 $，其中 $ \boldsymbol{X}_0 $ 为参考图像。
• 使用递归更新规则：$ c' = \frac{1}{i} \sum \boldsymbol{Y}_{i,j} / \sum (\boldsymbol{Y}_0)_{i,j} $，然后在迭代中更新 $ c = c' \cdot \frac{1}{i} + c \cdot \frac{i-1}{i} $。
• 使用合成和真实MRI数据（包括脑部图像和Shepp-Logan幻像）对方法进行验证，涵盖不同的采样率和比例因子。

实验结果

研究问题

• RQ1 纵向参考图像的引入在多大程度上提升了压缩感知在MRI中的采样效率和重建精度？
• RQ2 参考图像与随访图像之间强度比例差异对LACS-MRI重建质量的损害程度如何？是否可被有效校正？
• RQ3 不同自适应采样函数和重建算法对最终图像质量与RSNR的影响是什么？
• RQ4 所提出的灰度补偿算法（GSC）如何提升对MRI采集参数变化的鲁棒性？
• RQ5 该方法是否能在不同图像类型及显著的强度比例差异下保持高重建保真度？

主要发现

• 当参考图像与随访图像之间存在2倍强度比例差异时，灰度补偿算法（GSC）显著减少了条纹伪影，并提高了重建图像中结构的可见性。
• 当 $ c = 1 $ 时，脑部图像和Shepp-Logan幻像的RSNR收敛至相同值，验证了在理想条件下GSC算法的正确性。
• RSNR随采样率 $ \eta $ 的提高而增加，在 $ \eta = 0.03 $ 到 $ 0.30 $ 范围内呈现出清晰趋势，证实了该方法在更多采样下的可扩展性。
• 结合自适应采样和基于参考的引导，即使在极低采样量（如 $ \eta = 0.06 $）下，该方法仍能实现高RSNR。
• 重建质量高度依赖于图像在特定基下的稀疏特性，且基于梯度的稀疏化在低采样条件下显著提升了性能。
• 结果表明，结合GSC的LACS-MRI对强度比例变化具有鲁棒性，支持其在纵向患者成像中的临床可行性。