在二维 SPARKLING MRI 采集中学习采样密度以优化图像重建
信号处理
2021-06-01 v2 最优化与控制
摘要
SPARKLING 算法最初是为压缩感知（CS）背景下的加速二维磁共振成像（MRI）而开发的。它生成非笛卡尔采样轨迹，这些轨迹在共同满足目标采样密度的同时，每条单独轨迹均符合 MR 硬件约束。然而，SPARKLING 的两个主要局限在于：首先，最优目标采样密度未知，因此是用户自定义参数；其次，该采样模式生成与 MR 图像重建（进而与图像质量优化）相脱离。近来，诸如 LOUPE 的数据驱动学习方案被提出，用于学习离散采样模式，通过联合优化从数据采集到图像重建的整个流程。在本工作中，我们将这些方法与一种称为 XPDNET 的用于图像重建的先进深度神经网络相结合，以学习最优目标采样密度。随后，该密度被用作 SPARKLING 的输入参数，以获得 20 倍加速的非笛卡尔轨迹。这些轨迹在回顾性压缩感知（CS）研究中进行了测试，并显示出在深度学习和常规 CS 重建方案下均具有更优的图像质量性能。
引用
@article{arxiv.2103.03559,
title = {Learning the sampling density in 2D SPARKLING MRI acquisition for optimized image reconstruction},
author = {Chaithya G R and Zaccharie Ramzi and Philippe Ciuciu},
journal= {arXiv preprint arXiv:2103.03559},
year = {2021}
}