PEAR：用于快速fMRI的周期与固定秩分离方法
医学物理
2018-02-07 v1 神经元与认知
摘要
在功能磁共振成像（fMRI）中，通过数据欠采样实现更快的采集可以改善时空分辨率的权衡，并通过增加自由度来提高统计稳健性。从欠采样测量中高质量重建fMRI数据需要对数据进行适当的建模。我们提出了一种基于将fMRI信号建模为周期分量与固定秩分量之和的fMRI重建方法，以改善从欠采样测量中的重建。我们将fMRI信号分解为一个具有固定秩的分量和一个由周期信号之和组成的分量，后者在时间傅里叶域中是稀疏的。数据重建通过求解一个约束问题来完成，该问题强制其中一个分量具有固定的、适中的秩，而另一个分量具有有限数量的时间频率。我们的方法被称为PEAR——用于快速fMRI的周期与固定秩分离（PEriodic And fixed Rank separation）。实验结果包括纯合成模拟、使用真实时间过程的模拟以及对真实fMRI数据集的回顾性欠采样。评估通过与真实值进行定量和视觉比较，将PEAR与另外两种最近的欠采样fMRI重建方法进行了对比。结果表明，在加速比R=8,16（模拟数据）和R=6.66,10（真实数据）的情况下，PEAR在估计时间过程和激活图方面优于所比较的方法。与使用基于固定秩的模型或传统的低秩+稀疏算法相比，PEAR的重建保真度更高。我们证明了将功能信息在分量之间进行拆分，相较于现有最先进的方法，能够更好地对fMRI进行建模。
引用
@article{arxiv.1706.04772,
title = {PEAR: PEriodic And fixed Rank separation for fast fMRI},
author = {Lior Weizman and Karla L. Miller and Mark Chiew and Yonina C. Eldar},
journal= {arXiv preprint arXiv:1706.04772},
year = {2018}
}