基于低秩加稀疏分解的动态MRI重建 -- 引入平滑正则化

Chee-Ming Ting; Fuad Noman; Raphaël C. -W. Phan; Hernando Ombao

doi:10.1109/ICIP51287.2024.10647616

基于低秩加稀疏分解的动态MRI重建 -- 引入平滑正则化

图像与视频处理 2024-12-30 v1 计算机视觉与模式识别

作者: Chee-Ming Ting , Fuad Noman , Raphaël C. -W. Phan , Hernando Ombao

在 arXiv 上查看 ↗ PDF ↗ DOI ↗

摘要

低秩加稀疏（L+S）分解模型已实现对动态磁共振成像（dMRI）的更好重建，通过分离背景（L）和动态（S）成分。然而，仅使用低秩先验可能不足以完全解释背景部分在局部尺度上的缓慢变化或平滑性。在本文中，我们提出了一种引入平滑正则化的L+S（SR-L+S）模型，用于从高度欠采样的k空间数据进行dMRI重建。我们在背景成分上利用联合低秩和平滑先验，以更好地捕获其全局和局部时序相关结构。扩展L+S公式，低秩性通过核范数编码，而平滑性通过对L列的局部差分的一般 $\ell_{p}$ 范数惩罚实现。额外的平滑正则化可促进相邻帧之间的局部分段一致性。通过平滑噪声和动态活动，它允许准确恢复背景部分，从而实现更稳健的dMRI重建。多线圈心脏和合成数据的广泛实验表明，SR-L+S模型在...

引用

@article{arxiv.2401.16928,
  title  = {Dynamic MRI reconstruction using low-rank plus sparse decomposition with smoothness regularization},
  author = {Chee-Ming Ting and Fuad Noman and Raphaël C. -W. Phan and Hernando Ombao},
  journal= {arXiv preprint arXiv:2401.16928},
  year   = {2024}
}

备注

9 pages

基于低秩加稀疏分解的动态MRI重建 -- 引入平滑正则化

摘要

引用

备注

相关论文