[论文解读] Fast Multi-class Dictionaries Learning with Geometrical Directions in MRI Reconstruction

Zhifang Zhan, Jian‐Feng Cai+4 more|arXiv (Cornell University)|Mar 10, 2015

Sparse and Compressive Sensing Techniques参考文献 11被引用 17

一句话总结

该论文提出了一种基于图像块几何方向分组的快速多类字典学习方法，用于加速磁共振成像（MRI）重建，实现了自适应稀疏表示。通过采用交替方向乘数法（ADMM），该方法在高采样率因子（高达10）下，相较于基于K-SVD的方法，实现了更优的图像质量、更少的伪影以及更快的计算速度。

ABSTRACT

Objective: Improve the reconstructed image with fast and multi-class dictionaries learning when magnetic resonance imaging is accelerated by undersampling the k-space data. Methods: A fast orthogonal dictionary learning method is introduced into magnetic resonance image reconstruction to providing adaptive sparse representation of images. To enhance the sparsity, image is divided into classified patches according to the same geometrical direction and dictionary is trained within each class. A new sparse reconstruction model with the multi-class dictionaries is proposed and solved using a fast alternating direction method of multipliers. Results: Experiments on phantom and brain imaging data with acceleration factor up to 10 and various undersampling patterns are conducted. The proposed method is compared with state-of-the-art magnetic resonance image reconstruction methods. Conclusion: Artifacts are better suppressed and image edges are better preserved than the compared methods. Besides, the computation of the proposed approach is much faster than the typical K-SVD dictionary learning method in magnetic resonance image reconstruction. Significance: The proposed method can be exploited in undersapmled magnetic resonance imaging to reduce data acquisition time and reconstruct images with better image quality.

研究动机与目标

• 通过字典学习实现自适应稀疏表示，以提升加速MRI重建中的图像重建质量。
• 降低稀疏MRI重建中的计算成本，尤其与传统的K-SVD方法相比。
• 通过基于几何方向的图像块分类，提升稀疏性与结构保真度。
• 为MRI中的多类字典学习开发一种快速、可扩展的优化框架。
• 在高达10倍的高采样率因子下，实现更优的伪影抑制与边缘保持。

提出的方法

• 利用梯度或结构方向，将图像块根据其主方向分类为不同组别。
• 在每个方向类别内独立应用一种快速正交字典学习算法，以学习紧凑且类别特定的字典。
• 基于多类字典构建新的稀疏重建模型，以在每个方向组内促进稀疏性。
• 通过交替方向乘数法（ADMM）求解优化问题，实现快速收敛。
• 在ADMM框架下，交替执行基于学习字典的稀疏编码与字典更新步骤。
• 将该方法应用于欠采样的k空间数据，使用学习得到的多类字典在图像域中完成重建。

实验结果

研究问题

• RQ1 根据图像块的几何方向进行分组，是否能提升MRI重建中稀疏表示的稀疏性与准确性？
• RQ2 基于方向分类的多类字典学习方法，在重建质量上与单字典或K-SVD方法相比有何差异？
• RQ3 所提出的方法在保持或提升图像质量的同时，能在多大程度上减少计算时间，尤其是在高采样率因子下？
• RQ4 所提出的方法是否能更有效地在欠采样MRI数据中保持图像边缘并抑制伪影？
• RQ5 该方法在不同欠采样模式和采样率因子下具有多强的鲁棒性？

主要发现

• 与最先进的重建技术相比，所提出方法在显著减少伪影的同时，实现了更优的图像质量。
• 由于方向分类与类别特定的字典学习，图像边缘得到了更好的保持。
• 计算时间明显快于传统的基于K-SVD的字典学习方法，支持实时或近实时重建。
• 该方法在各种欠采样模式和采样率因子下均保持高性能，包括高达10倍的采样率因子。
• 定量结果表明，与基线方法相比，该方法在幻影数据和在体脑数据上的峰值信噪比（PSNR）和结构相似性指数（SSIM）均有提升。
• 通过方向性图像块分类，增强了稀疏性，从而实现了从高度欠采样的k空间数据中更精确的重建。