A Divide-and-Conquer Approach to Compressed Sensing MRI
Liyan Sun, Zhiwen Fan, Xinghao Ding, Congbo Cai, Yue Huang, John Paisley
2019
阅读日期:2020.02.13
泛读。这篇文章研究的是 MRI 重建。作者在这篇文章中提出的是一种重建的框架,而是不是具体的重建方法。简单的说,作者的方法就是先用 filter 把要重建的图像分成几个部分,各自单独用某一重建方法重建,然后再合并起来。作者的动机来源于这样的观察:一般的方法在重建时对于高频和低频的误差是一视同仁的,但是低频的能量(这里的能量就是用 kspace 系数的绝对值衡量)比高频高很多,因此实际上会更侧重低频部分。作者做了一个实验,对重建结果在 kspace 域调节 kspace 的系数,使得 PSNR 不变,但是 SSIM 提高了。这种调节的另一个观察是 kspace 的相对能量的误差会变得更平均,而前者往往是高频部分的相对能量误差高很多。关于作者的方法,具体来说,划分用的 filter 需要考虑的是完备性(包含所有的系数),lossless,可以有冗余,也可以没有冗余。作者考虑了两种,一种是 vertical and horizontal,一种是高斯。重建的方法不属于这篇文章的讨论范围。关于合并,如果是无冗余的情形,可以直接全部加起来,另一种做法则是考虑不同的区域的权重,使用 Tikhonov regularization method 的方式。作者的实验结果表明,这种框架比原来的重建效果更好。
整体的框架:
能量相对误差的实验
filter 就是在图像域做卷积,或者傅立叶域点点乘上一个矩阵。可以直接使用 under-sample 的 kspace.
两种 filter:
合成部分,Tikhonov regularization method:
最终算法:
@article{sun2019divide,
title={A divide-and-conquer approach to compressed sensing MRI},
author={Sun, Liyan and Fan, Zhiwen and Ding, Xinghao and Cai, Congbo and Huang, Yue and Paisley, John},
journal={Magnetic resonance imaging},
volume={63},
pages={37--48},
year={2019},
publisher={Elsevier}
}