Low-Rank and Sparse Decomposition Model for Accelerating Dynamic MRI Reconstruction,本文源自2017年8月8日的Journal of Healthcare Engineering,截图如下
文章可以去这里下载,截图如下
介绍
理论背景
k-t空间的动态磁共振数据采集可以用下式表示
其中 y(k,t) 表示观测到的k-t空间信号, x(r,t) 表示期望的动态图像序列, n(k,t) 为观测噪声,它可以用一个额外的白噪声的高斯分布[16][17]来进行合理的模拟.
本文中,问题的解决方案是为了从降采样的观测数据
y(k,t)
中找出磁共振图像
x(r,t)
的最近似表示,
(1)
式可以转换为一个逆问题,并且可以重写成向量形式[18]。
其中 Y=[y1|…|yT] , X=[x1|…|xT] , n=[n1|…|nT] , T 是框架中的元素个数,
基于压缩感知的磁共振图像重建
压缩感知方法[5,19]被提出用于从部分采样的k空间数据
其中 ∥⋅∥ 是 l0 范数,它用来计算向量中非零元素的个数, D 是稀疏变换或者字典,
其中 ∥⋯∥ 是 l1 范数,表示向量的绝对值之和。
低秩稀疏分解
基于压缩感知的技术已经完全成功地应用于磁共振图像重建,它利用了图像在变换域
的稀疏性。然而, 压缩感知的性能主要依赖于特定的字典或者稀疏算子,这限制了最大可实现的加速度。因此,一些研究者尝试研究一些新方法来重建磁共振图像[20-24]。这些方法中,低秩矩阵恢复是医学图像处理中最流行的一项技术。
低秩的基本假设和[18]一样,也即,图像
X
是同时稀疏(在图像域内)并且低秩的。现在的问题是从给定的少量
然而,秩最小化问题,也即解决式 (5) , 是组合问题也是NP难问题[25]。因此,凸松弛经常用于使得最小化问题更容易处理。
其中 M 表示任意的线性算子,
其中 σ1,σ2,…,σr 是 X 的奇异值, r 是
为了从给定的
Y
恢复
X
,\boldsymbol{X}可以分解为地址矩阵\boldsymbol{A}和稀疏矩阵\boldsymbol{E}的叠加。
X 可以有下列优化问题的解决方案中恢复:
其中低秩矩阵 A 有非零奇异值并且表示背景元素,稀疏矩阵 E 有非零元素值,它对应于变化, γ 是可调整参数,用于平衡 l1 范数相对核范数的贡献。
提出方法
在主成分追踪模型[26]中,为了解决式
(9)
,它可以用正则化而不是严格的约束[15]来形成一个优化问题。因此,
(9)
可以转换为
其中参数 λS 和 λL 用于平衡数据一致性, T 是稀疏变换基。
方程
其中 MH 是对偶算子, X(n) 包含观测噪声, A(n) 和 E(n) 分别是低秩元素和稀疏元素。我们应用IALM方法来解决下列优化问题
其中
L
是拉格朗日乘子,用来消除等式约束,
μ
是一个很小的正标量。条件
∑+∞k=1μ−1k=+∞
表明
μk
不会增长太快。IALM方法用于解决RPCA问题的步骤可以参考算法1.
对算法1,如果
{μk}
是非递减并且
∑+∞k=1μ−1k=+∞
,那么在RPCA问题中
(Ak,Ek)
收敛于一个优化解
(A∗,E∗)
。无约束
{μk}
的优点是可行性条件
Ak+Ek=X
可以快速逼近,因为
X−Ak−Ek=Lk−Lk−1/μk−1
和
Lk
是受约束的。在算法1中,单一阈值算子[28]可以定义为
其中 D=UΣVH 是 D 的任意一个奇异值分解。 Λλ(Σ) 是软阈值算子,可以定义为
实验结果与讨论
实验是在MATLAB V7.14.0 (R2012a), Intel Core i7-2640 M CPU, 4.0 GB 内存,64-bit Win7操作系统上运行的。提出的算法采用两个心脏电影数据集, 来进行实验验证。第一个数据集是从Bio Imaging and Signal Processing Lab上获取的,
这里包含了
nt=25
个时间框架,大小为
nx=ny=256
,视野为
345×270mm2
,层厚为
10mm
。
第二个数据集可以从的Dr. Caballero网站上获取
ta是由Caballero et al. [12]引入的,相关的图像参数如下:图像矩阵大小为
256×256(nx×ny)
,时间框架数为30(
nt
),
FOV=320×320mm2
, 层厚为
10mm
.
两种广泛使用的采样轨迹,笛卡尔和径向采样策略被用于 k -空间的MR数据集采样。图1显示了研究中的采样掩模以及他们在一个时间框架上的幅度。
我们从重建精度和重建速度量方面,比较了提出的算法和k-t SLR[10]以及k-t RPCA[16]。定量图像质量评估可以采用峰值信噪比(PSNR)和结构相似性索引(SSIM)这两个准则。PSNR用于估计重建图像和全采样图像之间的差异,可以定义为
其中 X^ 是重建图像, X 表示全采样图像。
SSIM是测量重建图像和全采样图像之间相似性的一种新方法。对每一个时间框架
{xn}ntn=1
,我们采用SSIM去测量重建图像和全采样图像之间的差异;同一重建图像
xRec
和全采样图像
xF
之间的SSIM索引可以用下式来评估:
其中 μxR 和 μxF 是重建图像 xRec 和全采样图像 xF 的平均灰度值 σF 和 σxR 是重建图像 xRec 和全采样图像 xF 的标准差, σxRxF 是重建图像 xRec 和全采样图像 xF 的协方差, c1=(K1L)2 , c2=(K2L)2 是常数,其中 L 是动态范围为
k-t SLR算法结合了TV和非凸Schatten p范数,其中 p=0.01 ; 一些参数选为基于公开的软件包中的推荐值(Schatten惩罚项参数 β1=10−9 , TV范数中则为 β2=10−2 , 最大的内部迭代数为50, 最大的外部迭代数为9)。在k-t RPCA算法中,两个正则化参数为 μ=200 , ρ=1.5 ,分别对应正则化项和分解项。
类似地,本文提出的这一方法需要三个参数 λ , ρ 和 μ 的具体化。我们设定 μ0=1.5/∥X∥2 , ρ=1.2 。我们采取 ∥X−Ak−Ek∥F/∥X∥F<10−7 作为算法1的终止条件。在[16]作者的建议下,我们选择了一个固定的加权参数 λ=max(nx∗ny,nt)−1/2 ,提出的算法经实验验证有效,采用了全采样的心脏电影(前文提到的两个数据集)以及两种不同的采样轨迹。
为了仿真
k
-空间的加速,全采样
更多地,我们用同样的方法在第二个心脏数据集上测试我们提出的方法。图5提供了可视化估计
总结
本文中,我们提出了一种快速算法(IALM),用于解决RPCA优化问题,从而从高度降采样 k <script type="math/tex" id="MathJax-Element-141">k</script>-空间数据中恢复出dMRI序列。我们提出的算法具有一般性,可用于将动态磁共振数据分离成低秩部分和稀疏部分。并且这一算法可以从部分观测数据同时重建和分离动态MR数据。在心脏数据集上进行的实验验证了算法的有效性和高效性, 相比最先进的算法而言。