28343

بازسازي تصاوير MR با استفاده از نمايش تنك و نرم صفر نرم شده

كارشناسي ارشد

مهندسي پزشكي- بيوالكتريك

1399

1401/11/23

ابوذر غفاري

دانشكده مهندسي برق

بازسازي تصاوير MR همواره به عنوان يك مسئله معكوس بحث‌برانگيز در تصويربرداري پزشكي مي‌باشد. تسريع اسكن MR براي كاربردهاي باليني، تحقيقاتي و پيشرفته اهميت زيادي دارد و يكي از تلاش‌هاي اصلي براي دستيابي به اين امر، استفاده از تئوري سنجش فشرده (CS) است. سنجش فشرده يك رويكرد چشم‌گير براي تسريع MRI است. هدف آن بازسازي تصوير MR با استفاده از تعداد كمي از داده‌هاي نمونه‌برداري شده در فضاي k است. تصويربرداري رزونانس مغناطيسي سنجش فشرده (CS-MRI) اين امكان را فراهم مي‌كند كه زمان جمع‌آوري داده‌ها را به ميزان قابل توجهي كوتاه كند. با اين وجود، رويكردهاي CS-MRI موجود هنوز داراي محدوديت‌هايي مانند از دست دادن ساختار ظريف يا پيچيدگي محاسباتي بالا هستند. اين پژوهش يك بازسازي تصوير MR از داده‌هاي فضاي k ‌نمونه‌برداري ‌شده را پيشنهاد مي‌كند. در اين پژوهش، ما يك چارچوب جديد براي تركيب تبديل‌هاي تنك در MRI سنجش فشرده پيشنهاد مي‌كنيم. يكي از روش‌هاي مشهور كه اخيرا مورد توجه قرار گرفته‌است، روش نصب و اجرا با جداساز تقسيم نيمه درجه دوم(PnP-HQS) است كه در آن مي‌توان مسئله معكوس براي بازسازي تصاوير MR را به دو زير مسئله شكست و هر يك را به صورت جداگانه حل نمود. نكته قابل توجه در بازسازي با اين روش اين است كه يكي از دو زير مسئله‌ را مي‌توان با كاهنده نويز جايگزين كرد كه علاوه بر كمك به الگوريتم SL0 به منظور فرار از حداقل‌هاي محلي براي نزديك شدن به مناطق حداقل‌هاي سراسري، دقت الگوريتم ساده‌ي SL0 را در حد الگوريتم‌هاي مبتني برشبكه افزايش مي‌دهد. همچنين براي جلوگيري از حذف دائمي ويژگي‌هايي از تصوير كه حائز اهميت هستند، اصلاح‌گر ويژگي تعبيه شده تا از حذف شدن ويژگي‌هاي اصلي علي‌الخصوص لبه‌هاي تصوير كه در تصويربرداري پزشكي مهم مي‌باشند، توسط كاهنده نويز جلوگيري كنيم. روش پيشنهادي شامل چهار مرحله است: هموارسازي، sharpening، بهينه‌سازي تابع هزينه SL0 و projection. با ادغام BM3D ، PnP-HQS و CSMRI كه مجهز به تبديل‌هاي ثابت است، الگوريتم SL0 را براي بازسازي MRI بدون وارد كردن پيچيدگي اضافي ارتقا مي‌دهيم. هدف از اين پروژه توسعه‌ي الگوريتم ساده‌ي SL0 براي بازيابي بهتر تصاوير است. نتايج شبيه‌سازي نشان مي‌دهد كه روش پيشنهادي مي‌تواند كيفيت تصوير را در مقايسه با نتايج حاصل از روش IFR-Net بهبود بخشد.

1402/03/16

Reconstruction of MR images based on sparse representation and smoothed L0 Norm

2/12/2024 12:00:00 AM

Reconstruction of MR images is always a controversial inverse problem in medical imaging. Acceleration of MR scanning is of great importance for clinical, research and advanced applications, and one of the main efforts to achieve this is the use of compressed sensing (CS) theory. Compressed sensing is a promising approach to accelerate MRI. It aims to reconstruct the MR image using a small number of sampled data in k-space. Compressed sensing magnetic resonance imaging (CS-MRI) makes it possible to significantly shorten the data collection time. Nevertheless, existing CS-MRI approaches still have limitations such as loss of fine structure or high computational complexity. This research proposes a MR image reconstruction from sampled k-space data. In this research, we propose a new framework for incorporating sparse transformations in compact sensing MRI. One of the famous methods that has recently received attention is the fitting and running method with half-quadratic split splitting (PnP-HQS), in which the inverse problem for reconstructing MR images can be broken into two sub-problems and each one can be solved separately. solved The remarkable point in the reconstruction with this method is that one of the two subproblems can be replaced by a noise reducer, which, in addition to helping the SL0 algorithm to escape from local maxima to approach the regions of global maxima, increases the accuracy of the simple SL0 algorithm to the limit Grid-based algorithms increased. Also, in order to prevent permanent removal of features from the image that are important, the feature modifier is built in to prevent the removal of the main features, especially the edges of the image, which are important in medical imaging, by the noise remover. The proposed method consists of four steps: noise target, feature modifier, SL0 cost function optimization, and projection. By integrating BM3D, PnP-HQS, and CSMRI equipped with fixed transforms, we improve the SL0 algorithm for MRI reconstruction without introducing additional complexity. The aim of this project is to develop a simple SL0 algorithm for better image recovery. The simulation results show that the proposed method can improve image quality compared to IFR-Net.

نرم صفر نرم شده , بازسازي تصاوير رزونانس مغناطيسي , سنجش فشرده

smoothed l0 norm , MRI reconstruction , Compressed sensing

Elahe Hassan

Dr. Aboozar Ghaffari