Modelagem de Baixa Classificação dos Vizinhos Locais no k-Espaço (LORAKS) para MRI Constrangido

Resultados teóricos recentes sobre reconstrução de matriz de baixa classificação inspiraram um interesse significativo na modelagem de baixa classificação de imagens de MRI. As abordagens existentes têm se concentrado em cenários de maior dimensão com dados disponíveis de múltiplos canais, pontos no tempo ou contrastes de imagem. O presente trabalho demonstra que dados de k-espaço de único canal, único contraste e único ponto no tempo também podem ser mapeados para matrizes de baixa classificação quando a imagem tem suporte espacial limitado ou fase que varia lentamente. Com base nisso, desenvolvemos uma nova estrutura flexível para reconstrução de imagem constrangida que utiliza modelagem de matriz de baixa classificação dos vizinhos locais no k-espaço (LORAKS). Uma nova penalização de regularização e um algoritmo correspondente para promover a baixa classificação também são introduzidos. O potencial do LORAKS é demonstrado com dados simulados e experimentais para uma variedade de aplicações de redução de ruído e amostragem esparsa. O LORAKS também é comparado com métodos de ponta, como reconstrução homodinâmica, minimização da norma l1 e minimização da variação total, e é demonstrado ter características e vantagens distintas. Além disso, enquanto o suporte baseado em calibração e as restrições de fase são comumente usados em métodos existentes, a estrutura LORAKS permite o uso dessas restrições sem calibração.