面向大规模问题的MRI采样模式快速数据驱动学习
信号处理
2020-11-05 v1 机器学习
图像与视频处理
摘要
目的：提出一种名为偏置加速子集选择（BASS）的快速数据驱动优化方法，用于学习高效采样模式（SPs），以减少高维并行MRI中的扫描时间。方法：当特定解剖结构的笛卡尔全采样k空间数据可用于训练且重建方法已指定时，BASS适用，其学习哪些k空间点对于特定解剖结构和重建在恢复未采样点方面更为相关。BASS使用四种基于低秩性和稀疏性的并行MRI重建方法进行了测试，这些方法允许自由选择SP。测试了两个数据集，一个是用于高分辨率成像的脑图像，另一个是用于软骨定量映射的膝图像。结果：BASS以其低计算成本和快速收敛，获得SP的速度比当前最佳贪心方法快100倍。在相同扫描时间下，使用我们学习的SP相比变密度和泊松盘SPs，重建质量提高了多达45%。可选地，扫描时间可近乎减半且不损失重建质量。结论：与当前方法相比，BASS可用于针对各种重建方法，使用更大的SP和更大的数据集快速学习有效的SPs。这使得针对特定MRI问题更好地选择高效的采样-重建配对成为可能。
引用
@article{arxiv.2011.02322,
title = {Fast Data-Driven Learning of MRI Sampling Pattern for Large Scale Problems},
author = {Marcelo V. W. Zibetti and Gabor T. Herman and Ravinder R. Regatte},
journal= {arXiv preprint arXiv:2011.02322},
year = {2020}
}
备注
18 pages, 7 figures, 1 algorithm. Submitted to Magnetic Resonance in Medicine