用于加速动态 MRI 的快速低秩逐列压缩感知

本工作开发了一套新颖的算法，即交替梯度下降（GD）与最小化用于 MRI 的方法（altGDmin-MRI1 和 altGDmin-MRI2），通过假设由序列矢量化图像构成的矩阵满足近似低秩（LR）模型，来实现加速动态 MRI。LR 模型本身在 MRI 文献中广为人知；我们的贡献在于新颖的基于 GD 的算法，与现有工作相比，它们速度更快、内存效率更高且更具通用性；以及对三层分层 LR 模型的精心使用。所谓通用，是指通过单一参数选择，我们的方法就能为多种加速动态 MRI 应用、多种采样率和采样方案提供精确重建。我们表明，我们的方法在性能上优于许多流行的现有方法，同时平均而言也比所有现有方法更快。这一论断基于对 8 种不同回顾性欠采样多线圈动态 MRI 应用的比较，这些应用采用 1D 笛卡尔或 2D 伪径向欠采样，并在多种采样率下进行。还提供了一些前瞻性欠采样数据集上的评估。我们的第二个贡献是一个迷你批次子空间跟踪扩展，它能够处理新测量值，并在其到达后的短暂延迟内返回重建结果。该恢复算法本身也比其批次对应算法更快。