[論文レビュー] Compressed sensing with structured sparsity and structured acquisition

Claire Boyer, Jérémie Bigot+1 more|HAL (Le Centre pour la Communication Scientifique Directe)|May 7, 2015

Sparse and Compressive Sensing Techniques参考文献 23被引用数 6

ひとこと要約

本稿は、構造的スパarsityとブロックベース測定を組み合わせた圧縮センシングの理論的枠組みを提示する。測定値は空間的に整合性のあるブロック（例：ラジアルまたは平行線）にグループ化され、MRIにおける物理的制約を反映する。ℓ₁最小化におけるサポート依存の回復保証を導出し、再構成確率がスパarsity構造およびブロック選択の仕方の両方に明示的に依存することを示し、古典的i.i.d.サンプリングに比べて改善された測定数の上限を提示する。

ABSTRACT

Compressed Sensing (CS) is an appealing framework for applications such as Magnetic Resonance Imaging (MRI). However, up-to-date, the sensing schemes suggested by CS theories are made of random isolated measurements, which are usually incompatible with the physics of acquisition. To reflect the physical constraints of the imaging device, we introduce the notion of blocks of measurements: the sensing scheme is not a set of isolated measurements anymore, but a set of groups of measurements which may represent any arbitrary shape (parallel or radial lines for instance). Structured acquisition with blocks of measurements are easy to implement, and provide good reconstruction results in practice. However, very few results exist on the theoretical guarantees of CS reconstructions in this setting. In this paper, we derive new CS results for structured acquisitions and signals satisfying a prior structured sparsity. The obtained results provide a recovery probability of sparse vectors that explicitly depends on their support. Our results are thus support-dependent and offer the possibility for flexible assumptions on the sparsity structure. Moreover, the results are drawing-dependent, since we highlight an explicit dependency between the probability of reconstructing a sparse vector and the way of choosing the blocks of measurements. Numerical simulations show that the proposed theory is faithful to experimental observations.

研究の動機と目的

• 理論的圧縮センシングと実際のMRI測定の間のギャップに対処する。ここでは、ランダムで孤立した測定は物理的に実現不可能である。
• 測定が空間的に整合性のあるブロック（例：ラジアルまたは平行線）として取得される場合に、圧縮センシングの理論的回復保証を構築する。これは現実の物理法則を反映する。
• スパース信号のサポートが特定のパターンに従うという構造的スパarsityを、回復性能の理論的分析に組み込む。
• ブロック測定下でのℓ₁最小化による正確な再構成に必要な測定数の明示的かつサポート依存の上限を導出する。
• 構造的スパarsityおよびブロック幾何学に適合した可変密度サンプリング戦略が、測定数を大幅に削減しつつ高い再構成確率を維持できることを示す。

提案手法

• MRIにおける物理的測定制約を反映するために、測定が個々のi.i.d.測定ではなく、ブロック（例：k空間内の線）として行われるモデルを導入する。
• スパース信号のサポートが階層的またはクラスタリングされたパターンに従うと仮定し、係数のレベルベースのグループ化によって構造的スパarsityを定式化する。
• ブロック構造化センシング行列に適応したコherenCeと制限等長性の新しい分析を用いて回復保証を導出する。
• ブロックのコヒーレンスと局所的スパarsity構造に応じて選択確率が変化する可変密度サンプリング戦略を導入し、測定の効率を最適化する。
• センシング行列をダイアディックレベルに分解し、相互コヒーレンスをバウンディングし、集中不等式を用いて測定複雑度の上限を導出する。
• 必要なブロック数が、局所的スパarsity係数の重み付き和と階層間コヒーレンスに比例することを確立し、古典的i.i.d.サンプリングに比べて改善された上限を得る。

実験結果

リサーチクエスチョン

• RQ1 測定が空間的に整合性のあるブロックにグループ化される構造的測定スキームに、圧縮センシングの理論的回復保証を拡張できるか？
• RQ2 スパース信号のサポートが非一様かつクラスタリングされたパターンに従う構造的スパarsityは、正確な再構成に必要な測定数にどのように影響するか？
• RQ3 可変密度サンプリング戦略をブロック構造化測定に適合させることで、物理的制約を尊重しながら回復性能を向上させられるか？
• RQ4 再構成確率がスパarsity構造および測定ブロックの選択にどのように依存するか？
• RQ5 実用的MRIアプリケーションにおける測定複雑度の観点から、導出された上限は古典的圧縮センシングの結果と比べてどのように異なるか？

主な発見

• 本稿は、ブロック測定を伴う圧縮センシングにおける再構成確率が、スパース信号のサポート構造に明示的に依存することを確立し、サポート依存の保証を可能にする。
• 必要な測定ブロック数は、m ≳ ∑ⱼ (sᶜⱼ + ∑ᵣ≠ⱼ 2⁻|ⱼ−ᵣ|/² sᶜᵣ) · ln(n/ε) ln(s) とスケーリングする。ここでsᶜⱼはレベルjにおける局所的スパarsityを表す。
• 導出された測定上限は、構造的スパarsityとブロック幾何学を組み込むことで、古典的i.i.d.サンプリングに比べて改善され、高確率再構成に必要な測定数を削減する。
• 再構成確率はサンプリング戦略に依存する：ブロックの選択方法（可変密度サンプリングを介して）が、正確な再構成の確率に直接影響する。
• 数値シミュレーションにより、理論的予測と実験的観察が密接に一致することが確認され、モデルの実MRI測定設定への忠実性が検証された。
• 本フレームワークは、物理的に整合性のある測定スキームを可能にしつつ、強固な理論的回復保証を維持できるため、実用的MRIアプリケーションを支援する。