[论文解读] MRF denoising with compressed sensing and adaptive filtering

Zhe Wang, Qinwei Zhang+2 more|arXiv (Cornell University)|Jan 3, 2014

Sparse and Compressive Sensing Techniques参考文献 5被引用 4

一句话总结

该论文提出了一种新颖的框架，通过整合压缩感知（CS）进行k空间重建、决策树进行误差预测以及自适应滤波进行误差校正，以提升磁共振指纹成像（MRF）参数图的质量。该方法显著提高了PSNR和SSIM，T1图的PSNR最高达到28.4 dB，SSIM达到0.881，优于基线MRF方法及中间方法。

ABSTRACT

The recently proposed Magnetic Resonance Fingerprinting (MRF) technique can simultaneously estimate multiple parameters through dictionary matching. It has promising potentials in a wide range of applications. However, MRF introduces errors due to undersampling during the data acquisition process and the limit of dictionary resolution. In this paper, we investigate the error source of MRF and propose the technologies of improving the quality of MRF with compressed sensing, error prediction by decision trees, and adaptive filtering. Experimental results support our observations and show significant improvement of the proposed technologies.

研究动机与目标

• 识别并解决MRF参数估计中的关键误差源，特别是来自k空间欠采样和字典分辨率有限的问题。
• 在存在噪声和字典条目不匹配的情况下，提高MRF衍生定量图的准确性和鲁棒性。
• 开发一种混合框架，整合压缩感知、基于机器学习的误差预测以及空间滤波，以提升图像质量。

提出的方法

• 在每个采样时间应用压缩感知，对欠采样的k空间数据进行重建，再进行字典匹配，以减少伪影。
• 使用字典匹配得到的前八个相似度值及其索引训练决策树，以预测像素级估计误差。
• 采用自适应滤波方法，排除错误像素本身，根据邻近像素的局部相似度加权，以校正错误匹配的估计值。
• 利用测量信号演化与字典条目之间的点积相似度，识别最佳匹配参数。
• 设计多阶段流程：CS重建 → 通过决策树进行误差预测 → 对预测误差进行自适应滤波。
• 采用70%采样率的变密度随机欠采样掩模，以模拟临床扫描时间限制。

实验结果

研究问题

• RQ1 k空间欠采样和字典分辨率如何限制MRF参数图的准确性？
• RQ2 基于多个相似度度量训练的决策树是否能比单阈值方法更有效地检测错误匹配像素？
• RQ3 将压缩感知与自适应滤波相结合，能在多大程度上减少MRF中的估计误差？
• RQ4 在滤波核中排除错误像素是否能提升校正后参数图的质量？
• RQ5 在T1、T2和失速频移图中，所提各组件在PSNR和SSIM指标上的定量表现如何比较？

主要发现

• 所提出的CS-Tree8AF方法在T1图上实现了28.4 dB的PSNR和0.881的SSIM，相较于标准MRF（24.3 dB）提升了4.1 dB。
• 在失速频移频率图上，CS-Tree8AF实现了28.9 dB的PSNR和0.974的SSIM，分别较MRF提升了6.0 dB和0.107。
• 在决策树中引入八个输入特征（前向相似度值和索引）的模型，其误差预测性能优于单特征或四特征模型。
• 当与决策树预测结合时，自适应滤波显著提升了结果，优于仅使用CS或仅使用滤波的方法。
• 该方法有效减少了非高斯估计误差，尤其在真实参数位于字典条目之间的区域表现更优。
• 定量评估证实，CS-Tree8AF在所有指标和参数图上均优于所有基线方法，展现出良好的鲁棒性和可扩展性。