Transform learning MRI with global wavelet regularization

Abstract

La régularisation parcimonieuse de l'image reconstruite dans un domaine de transformation a conduit à des algorithmes de pointe pour la reconstruction par imagerie par résonance magnétique (IRM). Récemment, de nouvelles méthodes ont été proposées qui effectuent une régularisation parcimonieuse sur les patchs extraits de l'image. Ces méthodes de régularisation au niveau des correctifs utilisent des dictionnaires de synthèse ou des transformations d'analyse apprises à partir des ensembles de correctifs. Dans ce travail, nous appliquons conjointement une contrainte globale de rareté du domaine des ondelettes ainsi qu'un niveau de correctif, la rareté de l'analyse apprise avant. Les simulations indiquent que cette régularisation conjointe aboutit à une performance de reconstruction IRM supérieure à la performance des méthodes qui appliquent l'un ou l'autre de ces termes seuls.La escasa regularización de la imagen reconstruida en un dominio de transformación ha llevado a algoritmos de última generación para la reconstrucción de imágenes por resonancia magnética (IRM). Recientemente, se han propuesto nuevos métodos que realizan una escasa regularización en los parches extraídos de la imagen. Estos métodos de regularización a nivel de parche utilizan diccionarios de síntesis o transformaciones de análisis aprendidas de los conjuntos de parches. En este trabajo, aplicamos conjuntamente una restricción de dispersión de dominio de wavelet global junto con una dispersión de análisis aprendida a nivel de parche previa. Las simulaciones indican que esta regularización conjunta culmina en un rendimiento de reconstrucción de IRM que excede el rendimiento de los métodos que aplican cualquiera de estos términos por sí solos.Sparse regularization of the reconstructed image in a transform domain has led to state of the art algorithms for magnetic resonance imaging (MRI) reconstruction. Recently, new methods have been proposed which perform sparse regularization on patches extracted from the image. These patch level regularization methods utilize synthesis dictionaries or analysis transforms learned from the patch sets. In this work we jointly enforce a global wavelet domain sparsity constraint together with a patch level, learned analysis sparsity prior. Simulations indicate that this joint regularization culminates in MRI reconstruction performance exceeding the performance of methods which apply either of these terms alone.أدى التنظيم المتناثر للصورة المعاد بناؤها في مجال التحويل إلى خوارزميات حديثة لإعادة بناء التصوير بالرنين المغناطيسي. في الآونة الأخيرة، تم اقتراح طرق جديدة تؤدي إلى تنظيم متناثر على الرقع المستخرجة من الصورة. تستخدم طرق تنظيم مستوى التصحيح هذه قواميس توليفية أو تحويلات تحليلية مستخلصة من مجموعات التصحيح. في هذا العمل، نفرض بشكل مشترك قيود تباين نطاق المويجات العالمية جنبًا إلى جنب مع مستوى التصحيح، قبل تباين التحليل المتعلم. تشير عمليات المحاكاة إلى أن هذا التنظيم المشترك يبلغ ذروته في أداء إعادة بناء التصوير بالرنين المغناطيسي الذي يتجاوز أداء الطرق التي تنطبق على أي من هذه المصطلحات وحدها.