[论文解读] Gradient waveform design for variable density sampling in Magnetic Resonance Imaging

Nicolas Chauffert, Pierre Weiss+2 more|arXiv (Cornell University)|Dec 15, 2014

Sparse and Compressive Sensing Techniques参考文献 28被引用 10

一句话总结

该论文提出了一种基于凸优化的算法，可将任意参数化k空间轨迹投影到满足幅值和爬升率约束的物理可行梯度波形集合上，从而在保持压缩感知MRI中至关重要的变密度采样模式的同时，实现更短的扫描时间。该方法在最小化与原始轨迹偏差的同时，显著减少了高曲率区域的遍历时间。

ABSTRACT

Fast coverage of k-space is a major concern to speed up data acquisition in Magnetic Resonance Imaging (MRI) and limit image distortions due to long echo train durations. The hardware gradient constraints (magnitude, slew rate) must be taken into account to collect a sufficient amount of samples in a minimal amount of time. However, sampling strategies (e.g., Compressed Sensing) and optimal gradient waveform design have been developed separately so far. The major flaw of existing methods is that they do not take the sampling density into account, the latter being central in sampling theory. In particular, methods using optimal control tend to agglutinate samples in high curvature areas. In this paper, we develop an iterative algorithm to project any parameterization of k-space trajectories onto the set of feasible curves that fulfills the gradient constraints. We show that our projection algorithm provides a more efficient alternative than existinf approaches and that it can be a way of reducing acquisition time while maintaining sampling density for piece-wise linear trajectories.

研究动机与目标

• 解决现有方法在设计受硬件约束的梯度波形时未能考虑变采样密度的问题。
• 开发一个统一框架，同时优化轨迹参数化与物理可行性，从而在磁共振成像中提升扫描速度。
• 在确保满足梯度幅值和爬升率限制的前提下，最小化原始轨迹与可行轨迹之间的偏差。
• 在单一优化框架内灵活集成额外约束，例如从k空间中心开始。

提出的方法

• 该方法将问题表述为凸优化任务，将给定的k空间轨迹投影到物理可行梯度波形集合上。
• 采用带加速近端梯度下降的原始-对偶算法求解对偶问题，确保收敛速率为O(1/k²)。
• 通过线性算子A将梯度波形映射到其对应的k空间轨迹，以引入约束。
• 利用对偶框架求解对偶问题，其中解通过将变换后的向量正交投影到可行集上获得。
• 通过在投影过程中保持原始轨迹的采样分布，处理变密度采样。
• 支持固定最大扫描时间，从而在速度与对原始采样模式的保真度之间实现权衡。

实验结果

研究问题

• RQ1 如何设计梯度波形，以在遵守硬件约束并保持磁共振成像中变密度采样模式的同时，最小化扫描时间？
• RQ2 如何以最小偏差将给定的k空间轨迹投影到物理可行波形集合上？
• RQ3 所提方法在高曲率区域是否能优于现有重参数化技术，实现更短的遍历时间？
• RQ4 当将参数化轨迹转换为可行波形时，该算法如何保持采样密度分布？
• RQ5 所提出的优化框架在梯度波形设计中可实现多快的收敛速率？

主要发现

• 与现有重参数化方法相比，所提算法显著减少了遍历时间，尤其在传统方法会聚集样本的高曲率区域表现更优。
• 通过在投影过程中最小化输入与输出轨迹之间的距离，该方法保持了原始采样密度分布。
• 该算法在对偶问题中实现了O(1/k²)的收敛速率，确保了在实际磁共振成像应用中快速且稳定的优化。
• 该框架具有灵活性，可集成额外约束，如从k空间中心开始或限制最大扫描时间。
• 在玫瑰花结和TSP基轨迹上的数值实验表明，该方法能生成具有更短扫描时间的可行波形，同时保持期望的采样模式。