고도로 언샘플링된 k-공간 데이터로부터의 MR 이미지 재구성: 사전 학습에 의한

압축 센싱(CS)은 자기 공명(MR) 이미지의 희소성을 활용하여 언샘플링된 k-공간 데이터로부터 정확한 재구성을 가능하게 합니다. 최근의 CS 방법은 웨이블릿, 커브릿, 유한 차분과 같은 분석적 희소화 변환을 사용했습니다. 본 논문에서는 희소화 변환(사전)을 적응적으로 학습하고, 고도로 언샘플링된 k-공간 데이터로부터 이미지를 동시에 재구성하는 새로운 프레임워크를 제안합니다. 이 프레임워크에서는 지역 구조를 강조하는 overlapping 이미지 패치에서 희소성이 강제됩니다. 게다가, 사전은 특정 이미지 인스턴스에 맞게 조정되어 더 나은 희소성을 선호하며 결과적으로 훨씬 높은 언샘플링 비율을 제공합니다. 제안된 교대 재구성 알고리즘은 희소화 사전을 학습하고, 이를 사용하여 한 단계에서는 알리아싱과 노이즈를 제거하고, 다음 단계에서는 k-공간 데이터를 복원하고 채웁니다. MR 이미지 및 다양한 샘플링 계획을 가진 여러 해부학의 실제 MR 데이터에 대한 수치 실험이 진행되었습니다. 결과는 제안된 적응형 사전을 사용할 경우, 기존 CS 방법에 비해 재구성 오차에서 4-18 dB의 극적인 개선을 보여주고 수용 가능한 언샘플링 계수를 두 배로 증가시킵니다. 이러한 개선은 매개변수 조정 없이 다양한 실제 데이터 신호 대 잡음 비율에 걸쳐 지속됩니다.