ISMRM MR Academy - Compressed Sensing in MRI

Summary

本视频详细介绍了压缩感知在医学影像中的应用，重点讨论了如何通过稀疏重建技术加速图像采集过程，减少所需采样量。压缩感知利用非一致采样和迭代重建方法，虽然能够有效提高速度，但也带来噪声和伪影等挑战。视频中还强调了信噪比（SNR）的重要性，以及如何通过降噪算法优化重建效果。虽然压缩感知在临床应用中仍面临计算量大等问题，但它在3D成像等高维数据的处理上具有巨大潜力。

Takeaways

• 😀 压缩感知（Compressed Sensing, CS）利用信号的稀疏性，通过减少采样点数加速图像重建。
• 😀 通过采用随机采样和稀疏变换，可以从较少的采样数据中重建图像，而不会显著损失质量。
• 😀 动态心脏成像等应用中，压缩感知技术可以有效地加速图像重建过程，尤其是在时空域中。
• 😀 压缩感知的关键是如何在适当的稀疏域（如傅里叶变换或小波变换）中找到信号的稀疏表示。
• 😀 压缩感知的重建过程是通过迭代方法优化的，每次通过数据一致性和去噪处理逐步改进图像质量。
• 😀 噪声主要影响稀疏域，而不是图像域，因此重建过程中必须特别关注稀疏域的噪声。
• 😀 图像质量的重建和信噪比（SNR）之间存在平衡，压缩感知会牺牲部分信噪比以加速重建。
• 😀 虽然压缩感知可以恢复高对比度的小特征，但对于低对比度的细节可能无法恢复。
• 😀 压缩感知方法中的采样方式通常是随机的，3D成像中常使用径向变量密度螺旋采样等方式。
• 😀 迭代重建过程计算密集，需要较高的计算能力，目前可以通过并行计算来加速，但这仍然是临床应用的一个挑战。
• 😀 临床应用中需要对压缩感知方法进行验证，并分享开源代码以确保可复现性和改进算法。

Q & A

什么是压缩感知？

压缩感知是一种基于稀疏性和非一致性的图像重建技术，它通过对信号进行不完全采样并利用稀疏表示来重建原始信号。通过非线性重建算法，能够有效减少采样点，提高重建效率，减少数据采集时间。

压缩感知在医学成像中的应用有哪些挑战？

压缩感知面临的主要挑战包括噪声的影响、非完全随机采样的可行性问题、迭代重建的计算开销以及图像的稀疏性不完全性。噪声特别是在稀疏域中的噪声更为关键，且医学图像的稀疏性通常只是弱稀疏，而非完全稀疏，这使得重建过程更加复杂。

什么是压缩感知中的稀疏性？

稀疏性是指图像或信号在某一变换域（如傅里叶变换或小波变换）中，只有少量的系数是显著的，而其他系数接近零。在压缩感知中，通过采样这些稀疏信息，可以有效重建出信号，而不需要全面采样所有信息。

在压缩感知中，如何处理图像噪声？

图像噪声在压缩感知中主要在稀疏域中处理。通过使用稀疏变换（如小波变换或字典学习），可以对噪声进行去除。迭代的重建过程有助于逐步减少噪声，提高图像质量。

压缩感知中的重建过程是如何进行的？

压缩感知的重建过程包括：首先获取随机子采样数据，然后通过傅里叶反变换进行重建，得到一个初步的图像。接着通过稀疏去噪处理，再通过数据一致性检查（如补全缺失数据）进行优化，最后迭代改进图像，逐步减少噪声和干扰，最终得到重建图像。

压缩感知中的非一致采样方法有哪些？

非一致采样方法包括3D采集中的相位编码子采样、径向变密度螺旋采样和随机采样等。这些方法通过在采样过程中引入随机性，使得采样点分布不均匀，从而促进信号的稀疏表示。

为什么噪声在稀疏域中比在图像域中的噪声更重要？

因为压缩感知的核心是通过稀疏域中的信息进行信号重建，而稀疏域中的噪声会直接影响到稀疏系数的准确性和重建质量。如果稀疏域中的噪声太大，重建的图像就可能无法有效还原真实信息。

如何评估压缩感知中的信噪比（SNR）和灵敏度？

在压缩感知中，信噪比（SNR）和灵敏度的评估需要注意两者的差异。虽然信号的SNR可以通过去噪和优化提高，但它与灵敏度不同。灵敏度主要决定于图像的特征是否能被有效恢复，特别是低对比度和小特征的损失会影响最终的成像质量。

压缩感知在加速成像中的优势是什么？

压缩感知能够在不需要全数据采集的情况下，通过稀疏表示和非一致采样实现图像的重建，从而大大加快成像过程，尤其是在动态成像和高维数据的处理上，能够有效减少扫描时间并提高成像效率。

压缩感知重建过程中遇到的计算挑战有哪些？

压缩感知的重建过程需要大量的计算资源，特别是在大规模数据集（如3D数据）中。迭代重建算法是计算密集型的，尽管并行计算和更高效的算法正在不断发展，但重建速度仍然是临床应用的主要瓶颈。