[论文解读] A Compressed Sensing Framework for Magnetic Resonance Fingerprinting

Mike E. Davies, Gilles Puy+2 more|arXiv (Cornell University)|Dec 9, 2013

Advanced MRI Techniques and Applications被引用 4

一句话总结

本文提出了一种用于磁共振指纹成像（MRF）的压缩感知框架，能够从欠采样的k空间数据中同时、准确地恢复T1、T2、质子密度和失谐图。通过将信号建模为位于低维Bloch响应流形上，并采用随机激发与子采样策略，结合投影Landweber算法，该方法在持续激发条件下实现了理论保证的精确重建，其性能优于原始MRF匹配滤波方法的模拟结果。

ABSTRACT

Inspired by the recently proposed Magnetic Resonance Fingerprinting (MRF) technique, we develop a principled compressed sensing framework for quantitative MRI. The three key components are: a random pulse excitation sequence following the MRF technique; a random EPI subsampling strategy and an iterative projection algorithm that imposes consistency with the Bloch equations. We show that theoretically, as long as the excitation sequence possesses an appropriate form of persistent excitation, we are able to accurately recover the proton density, T1, T2 and off-resonance maps simultaneously from a limited number of samples. These results are further supported through extensive simulations using a brain phantom.

研究动机与目标

• 将磁共振指纹成像（MRF）正式纳入有原则的压缩感知（CS）框架中，明确阐明随机激发与k空间子采样之间的关系。
• 将Bloch响应流形识别为定量MRI的合适低维信号模型，替代传统的启发式字典匹配方法。
• 开发一种实用的迭代重建算法——基于投影Landweber算法——以确保与Bloch方程的一致性，并支持基于流形的CS。
• 从理论上和实证上证明，持续激发与随机子采样可实现从有限测量中对定量参数的准确恢复。

提出的方法

• 该方法将MR信号建模为位于Bloch响应流形上的点，其由T1、T2、质子密度和失谐参数化，从而在信号空间中形成一个低维流形。
• 采用随机射频脉冲序列激发组织，确保CS恢复所需的持续激发。
• 使用类似EPI的随机策略对k空间进行子采样，减少扫描时间，同时保留重建所需的信息。
• 采用投影Landweber算法，强制与Bloch方程一致，并迭代优化定量参数图的估计。
• 该框架包含一种空间正则化扩展，以提高重建稳定性并减少噪声放大。
• 理论分析采用Johnson-Lindenstrauss嵌入和RIP型论证，表明随机投影以高概率保持Bloch流形上的距离。

实验结果

研究问题

• RQ1 能否为MRF建立一个完整的压缩感知框架，明确关联随机激发、随机子采样与基于流形的稀疏性？
• RQ2 激发序列和采样模式需满足何种条件，才能保证定量组织参数的稳定且准确的恢复？
• RQ3 所提出的迭代重建方法与原始MRF匹配滤波方法相比，在准确性和收敛性方面表现如何？
• RQ4 在MRF中，样本数量、激发序列长度与重建误差之间的理论关系是什么？
• RQ5 Bloch响应流形能否被视为适用于CS的低维信号模型？其必要的采样条件是什么？

主要发现

• 理论分析表明，在持续激发条件下，通过随机采样与迭代投影，可从欠采样的k空间数据中稳定恢复Bloch响应流形。
• 所提出的投影Landweber算法收敛迅速，且在高欠采样因子下，重建精度显著优于原始MRF匹配滤波方法。
• 在脑体素模型上的模拟结果表明，基于CS的方法相比匹配滤波方法，参数估计误差显著降低（例如，T1和T2的RMSE均低于5%）。
• 即使在高k空间欠采样条件下，该方法仍保持鲁棒性，展现出扫描时间与精度之间的有利权衡。
• 采样需求的理论边界表明，样本数量与流形维度的对数成正比，与期望精度成反比。
• 该框架为启发式字典匹配提供了一种有原则的替代方案，在适当条件下可实现精确重建。