فراگیری داده های یکباره ای شتاب با استفاده از تصویر حس متراکم و فرونساک

قیمت: 43,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

فراگیری داده های یکباره ای شتاب با استفاده از تصویر حس متراکم و فرونساک

عنوان لاتین

ACCELERATE SINGLE-SHOT DATA ACQUISITIONS USING COMPRESSED SENSING AND FRONSAC IMAGING

زمینه های رمزگذاری مغناطیسی غیر خطی فضایی SEM مورد مطالعه قرار گرفت تا رمزگذاری چندکاناله RF را تکمیل کند و اسکن های MRI را تسریع نماید.طرح های منتشر شده شامل PatLoc وo_SPACEو Null Space و4D-RIO و باقی موارد می باشد اما بیشترین تنوع در رویکرد های احتمالی برای کاوش SEM های غیر خطی، اکثرا کشف نشده باقی ماند.قبل از آن، ما یک رویکرد جدید ارائه دادیم، تصویر فراگیری سریع دورانی غیر خطی فضایی (FRONSAC) که زمینه های غیر خطی یک انحراف دوار کوچک نسبت مسیر استاندارد خطی ایجاد می کنند. هنگامی که رمزگذاری فرونساک به شدت کیفیت تصویر را بهبود می بخشد، در پر شتاب ترین و ضعیف ترین زمینه های فرونساک بعضی مصنوعات تحت نمونه برداری باقی می ماند. به هر حال مصنوعات تحت نمونه برداری که به همراه رمزگذاری فرونساک رخ می دهند نسبتا بی ربط بوده و برای مدل حس متراکم CS بسیار مناسب اند. CS یک استراتژی پراکندگی-ارتقاع محدب به منظور دوباره سازی تصاویر از مجموعه داده های تحت مدل سازی زیاد، ارائه می کند.کاری که اینجا معرفی شد مزایای فرونساک و CS را ترکیب می کند. شبیه سازی ها نشان می دهد که این ترکیب میتواند به وسیله دوباره سازی با گرادیان های فرونساک از دامنه ها و فرکانس های پایین ، تصاویر را بییشتر بهبود دهد.

Nonlinear spatial encoding magnetic (SEM) fields have been studied to complement multichannel RF encoding and accelerate MRI scans. Published schemes include PatLoc, O-Space, Null Space, 4D-RIO, and others, but the large variety of possible approaches to exploiting nonlinear SEMs remains mostly unexplored. Before, we have presented a new approach, Fast ROtary Nonlinear Spatial ACquisition (FRONSAC) imaging, where the nonlinear fields provide a small rotating perturbation to standard linear trajectories. While FRONSAC encoding greatly improves image quality, at the highest accelerations or weakest FRONSAC fields, some undersampling artifacts remain. However, the under-sampling artifacts that occur with FRONSAC encoding are relatively incoherent and well suited to the compressed sensing (CS) reconstruction. CS provides a sparsity-promoting convex strategy to reconstruct images from highly undersampled datasets. The work presented here combines the benefits of FRONSAC and CS. Simulations illustrate that this combination can further improve image reconstruction with FRONSAC gradients of low amplitudes and frequencies