Robust Depth Linear Error Decomposition with Double Total Variation and Nuclear Norm for Dynamic MRI Reconstruction

要約

圧縮センシング (CS) は磁気共鳴画像 (MRI) 処理を大幅に高速化し、アンダーサンプリングされた k 空間データから正確な MRI 再構成を実現します。
現在の研究によると、CS に基づく動的 MRI k 空間再構成にはまだいくつかの問題があります。
1) フーリエ領域と画像領域の間には違いがあり、異なる領域の MRI 処理間の違いを考慮する必要があります。
2) 3 次元データとして、ダイナミック MRI にはその時空間特性があり、構造の完全性と一意性を維持しながら、表面テクスチャの違いと一貫性を計算する必要があります。
3) 動的 MRI 再構成は時間がかかり、計算リソースに依存します。
この論文では、ロバスト深度線形誤差分解モデル (RDLEDM) と呼ばれる、高度にアンダーサンプリングされた離散フーリエ変換 (DFT) を介した新しいロバストな低ランク動的 MRI 再構成最適化モデルを提案します。
私たちの方法には主に線形分解、二重トータルバリエーション (TV)、二重核ノルム (NN) 正則化が含まれます。
線形画像領域エラー分析を追加することにより、アンダーサンプリングおよび DFT 処理後のノイズが低減され、アルゴリズムの耐干渉能力が強化されます。
ダブル TV および NN 正則化は、時空間特性の両方を利用し、動的 ​​MRI シーケンスにおける異なる次元間の相補的関係を調査できます。
さらに、TV 項と NN 項の非平滑性と非凸性により、統一目的モデルを最適化することは困難です。
この問題に対処するために、元の問題の主双対形式を解くことにより高速アルゴリズムを利用します。
5 つの最先端の方法と比較して、動的 MRI データに関する広範な実験により、再構成精度と時間の複雑さの両方の点で提案された方法の優れたパフォーマンスが実証されています。

要約(オリジナル)

Compressed Sensing (CS) significantly speeds up Magnetic Resonance Image (MRI) processing and achieves accurate MRI reconstruction from under-sampled k-space data. According to the current research, there are still several problems with dynamic MRI k-space reconstruction based on CS. 1) There are differences between the Fourier domain and the Image domain, and the differences between MRI processing of different domains need to be considered. 2) As three-dimensional data, dynamic MRI has its spatial-temporal characteristics, which need to calculate the difference and consistency of surface textures while preserving structural integrity and uniqueness. 3) Dynamic MRI reconstruction is time-consuming and computationally resource-dependent. In this paper, we propose a novel robust low-rank dynamic MRI reconstruction optimization model via highly under-sampled and Discrete Fourier Transform (DFT) called the Robust Depth Linear Error Decomposition Model (RDLEDM). Our method mainly includes linear decomposition, double Total Variation (TV), and double Nuclear Norm (NN) regularizations. By adding linear image domain error analysis, the noise is reduced after under-sampled and DFT processing, and the anti-interference ability of the algorithm is enhanced. Double TV and NN regularizations can utilize both spatial-temporal characteristics and explore the complementary relationship between different dimensions in dynamic MRI sequences. In addition, Due to the non-smoothness and non-convexity of TV and NN terms, it is difficult to optimize the unified objective model. To address this issue, we utilize a fast algorithm by solving a primal-dual form of the original problem. Compared with five state-of-the-art methods, extensive experiments on dynamic MRI data demonstrate the superior performance of the proposed method in terms of both reconstruction accuracy and time complexity.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google