ترجمه مقاله طراحی نمونه برداری سازگار برای MRI حس کردن متراکم

1- مقدمه 2- فرهنگ های سازگار پراکنده ساز برای MRI 3- طراحی الگوی نمونه برداری 4- آزمایش های عددی 5- نتیجه گیری

چکیده - حس کردن متراکم(CS) از پراکندگی تصاویر MR در پایه ها یا فرهنگ های خاصی بهره می برد تا بازسازی های صحیحی از داده فضای k زیرنمونه برداری شده کسب کند. اغلب طرح های نمونه برداری (شبه) تصادفی مورد استفاده برای CS ممکن است ویژگی های جانبی خوبی داشته باشند؛ ولی با داده محدود خود ممکن است خیلی از حالت بهینه فاصله داشته باشند. در این مقاله، چهارچوبی جدید برای طرح های نمونه برداری سازگار بهبود یافته در CS-MRI بسیار زیرنمونه برداری شده ارایه می کنیم. در حالی که چهارچوب مطرح شده کلی است اما از آن در الگوریتم های بازسازی MRI اخیراً ارایه شده که از فرهنگ های پراکنده ساز بر اساس بسته تصویر سازگار استفاده می کنند، بهره می بریم. نتایج عددی تا 7 دسی بل بهبود در PSNR بازسازی را با استفده از طرح نمونه برداری سازگار نشان می دهند که برتر از همه آن ها بهبود های زیاد گزارش شده در کار قبلیمان برای طرح بازسازی بسته محور سازگار نسبت به تبدیل های پراکنده ساز تحلیلی بود.

Compressed Sensing (CS) takes advantage of the sparsity of MR images in certain bases or dictionaries to obtain accurate reconstructions from undersampled k-space data. The (pseudo) random sampling schemes used most often for CS may have good theoretical asymptotic properties; however, with limited data they may be far from optimal. In this paper, we propose a novel framework for improved adaptive sampling schemes for highly undersampled CS MRI. While the proposed framework is general, we apply it with a recently proposed MRI reconstruction algorithm employing adaptive image-patch based sparsifying dictionaries. Numerical experiments demonstrate up to 7 dB improvements in reconstruction PSNR using the adapted sampling scheme, on top of the large improvements reported in our previous work for the adaptive patch-based reconstruction scheme over analytical sparsifying transforms.