A Splitting Bregman-Based Compressed Sensing Approach for Radial UTE MRI
A Splitting Bregman-Based Compressed Sensing Approach for Radial UTE MRI
复制标题
基于分裂 Bregman 的径向 UTE MRI 压缩感知方法
DOI：
10.1109/tasc.2016.2582658
复制
发表时间：
2016-06
影响因子：
1.8
通讯作者：
Zheng Yahong Rosa
中科院分区：
文献类型：
--
作者：
Bi Dongjie;Ma Lan;Xie Xuan;Xie Yongle;Li Xifeng;Zheng Yahong Rosa
提出了一种基于分裂 Bregman 的压缩感知（CS）方法（CS-SplitBerg），使用非均匀快速傅里叶变换，从欠采样的 k 空间测量中重建径向磁共振（MR）图像。使用分裂Bregman框架，所提出的CS-SplitBerg方法充分考虑了测量噪声并利用了MR图像的组合稀疏性，即ℓ1-范数和全变分正则化。在保证收敛的情况下，CS-SplitBerg 方法使用 Bregman 更新过程和一些辅助变量将约束优化问题放松为一系列易于解决的无约束最小化问题。使用模型示例和小鼠心脏示例的实验结果表明，在不同的欠采样率下，CS-SplitBerg 方法的性能优于我们之前工作中介绍的 CS-CG 方法。通过考虑噪声的影响，CS-SplitBerg 方法具有可承受的计算成本，可以进一步减少恢复所需的 MR 成像 (MRI) 测量数量，并更好地区分真实的 MRI 图像与噪声数据。
A splitting Bregman-based compressed-sensing (CS) approach (CS-SplitBerg), using the nonuniform fast Fourier transform, is proposed to reconstruct radial magnetic resonance (MR) images from undersampled k- space measurements. Using the splitting Bregman framework, the proposed CS-SplitBerg approach takes fully into account the measurement noise and exploits the combined sparsity of MR images, i.e., ℓ1- norm and total variation regularization. With convergence guaranteed, the CS-SplitBerg approach uses the Bregman update process and some auxiliary variables to relax the constrained optimization problem to a sequence of easily solved unconstrained minimization problems. Experimental results using both a phantom example and a mouse cardiac example demonstrate that, under different undersampling rates, the CS-SplitBerg approach performs better than the CS-CG approach, which was introduced in our previous work. With an affordable computational cost by considering the influences of noise, the CS-SplitBerg approach can further reduce the necessary number of MR imaging (MRI) measurements for the recovery and better differentiate true MRI images from noisy data.
登录
查看更多内容
影响因子：
3.9
作者：
Dongjie Bi;Yongle Xie;Xifeng Li;Y. R. Zheng
通讯作者：
Dongjie Bi;Yongle Xie;Xifeng Li;Y. R. Zheng
影响因子：
1.8
作者：
Y. Lvovsky;P. Jarvis
通讯作者：
Y. Lvovsky;P. Jarvis
影响因子：
10.6
作者：
Rasche, V;Proksa, R;Eggers, H
通讯作者：
Eggers, H
影响因子：
14.9
作者：
Fessler JA
通讯作者：
Fessler JA
影响因子：
3.3
作者：
Zhang, YT;Hetherington, HP;Twieg, DB
通讯作者：
Twieg, DB