[论文解读] Compressed Sensing for Moving Imagery in Medical Imaging

Çağdaş Bilen, Yao Wang+1 more|arXiv (Cornell University)|Mar 26, 2012

Sparse and Compressive Sensing Techniques参考文献 1被引用 5

一句话总结

本文提出一种用于动态医学影像压缩感知重建的运动补偿先验，利用光流约束对运动图像进行稀疏表示。通过联合或独立估计运动与信号，该方法显著提升了重建质量，尤其在高运动场景下表现优异，在高采样率下相比传统TV和DFT正则化，心脏MRI数据集的RMSE降低高达25%。

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.

研究动机与目标

• 为解决在传统稀疏化变换（如小波、TV）因运动失效时，压缩感知中运动图像重建的挑战。
• 开发一种运动感知的正则化方法，利用动态成像中的时间相关性，而无需高质量参考帧。
• 在压缩感知重建过程中实现运动与信号的联合或独立估计，以提升准确性和鲁棒性。
• 在真实医学影像应用中（特别是高运动的心脏MRI）证明该方法的有效性。

提出的方法

• 提出一种基于光流约束的运动补偿先验，建模图像强度在帧间的时序演化。
• 采用基于运动补偿差分的稀疏化正则化项，将时间TV推广至可处理空间变化运动的通用形式。
• 使用分裂Bregman算法进行优化，有效求解非凸、非光滑的最小化问题。
• 支持独立与联合优化：独立优化以提升模块化与鲁棒性，联合优化以在高运动场景下实现更优收敛性与性能。
• 采用稀疏矩阵形式表示运动补偿变换（K_t(v)），以保持计算效率。
• 结合共轭梯度法求解大规模线性系统，最大限度降低计算开销。

实验结果

研究问题

• RQ1 能否基于光流推导出的运动补偿先验，改善运动医学图像的压缩感知重建？
• RQ2 在重建质量与计算成本方面，运动与信号的联合估计与独立估计相比表现如何？
• RQ3 在高运动动态MRI中，该方法是否优于标准正则化技术（如TV、DFT）？
• RQ4 当缺乏高质量参考帧时，该方法是否仍能有效应用？
• RQ5 性能对运动估计误差的敏感度如何？迭代优化能否进一步提升结果？

主要发现

• 在心脏MRI数据集的所有测试采样率（R=8至R=14）下，所提出的Motion-TV与Joint Motion-TV方法在RMSE上均优于DFT与TV正则化。
• 在数据集1中，Motion-TV在R=8时相比DFT将RMSE降低了25%（0.0139 vs. 0.0220），且在所有采样率下均保持一致的改进。
• 在高运动场景下，联合估计的Motion-TV优于独立估计的Motion-TV，对初始重建质量差具有更强鲁棒性，并在R=14时将误差降低约10%。
• 由于运动配准的引入，联合估计方法使总执行时间增加约20%，但收敛速度保持相似（100次迭代已足够）。
• 在标准TV与DFT无法充分稀疏化信号的高运动情况下，该方法表现出更优性能。
• 使用稀疏K_t(v)矩阵确保了极低的计算开销，每轮迭代时间仅增加约10%，相比更简单的变换。