Compressed Sensing Magnetic Resonance Image Reconstruction Algorithms: A Convex Optimization Approach

این کتاب مروری جامع از پیشرفت‌های اخیر در الگوریتم‌های بازسازی تصویر تشدید مغناطیسی مبتنی بر منظم‌سازی سریع L1-norm (CS) ارائه می‌کند. تصویربرداری تشدید مغناطیسی حسگر فشرده (CS-MRI) قادر است زمان اسکن MRI را به میزان قابل توجهی کاهش دهد زیرا امکان بازسازی تصاویر MR تنها از چند اندازه گیری در فضای k وجود دارد. بسیار کمتر از الزامات نرخ نمونه گیری نایکیست. مشکلات منظم‌سازی مبتنی بر هنجار L1 را می‌توان با استفاده از تکنیک‌های بهینه‌سازی محدب، که به طور کلی از تکنیک‌های حریصانه از نظر کیفیت بازسازی‌ها بهتر عمل می‌کند، به طور موثر حل کرد. اخیراً الگوریتم‌های بازسازی مبتنی بر بهینه‌سازی محدب سریع توسعه یافته‌اند که همچنین قادر به دستیابی به معیارهای استفاده از CS-MRI در عمل بالینی هستند. این کتاب دانشجویان فارغ التحصیل، محققان و پزشکان شاغل در زمینه پردازش تصویر پزشکی، به ویژه در MRI را قادر می‌سازد تا نیاز به CS در MRI را درک کنند، و در نتیجه چگونه می‌تواند تصویربرداری بافت نرم را متحول کند تا از فناوری مراقبت‌های بهداشتی بدون نیاز به ساختن عمده استفاده کند. تغییرات در سخت افزار اسکنر موجود این امر به ویژه برای محققینی مفید خواهد بود که به تازگی وارد حوزه هیجان انگیز CS-MRI شده اند و می خواهند به سرعت از پیشرفت های تا به امروز بدون غوطه ور شدن در تجزیه و تحلیل دقیق ریاضی بگذرند. در نهایت، همچنین روندهای اخیر و جهت‌گیری‌های تحقیقاتی آینده را برای اجرای CS-MRI در عمل بالینی، به‌ویژه در کاربردهای بیو و انفورماتیک عصبی مورد بحث قرار می‌دهد.

This book presents a comprehensive review of the recent developments in fast L1-norm regularization-based compressed sensing (CS) magnetic resonance image reconstruction algorithms. Compressed sensing magnetic resonance imaging (CS-MRI) is able to reduce the scan time of MRI considerably as it is possible to reconstruct MR images from only a few measurements in the k-space; far below the requirements of the Nyquist sampling rate. L1-norm-based regularization problems can be solved efficiently using the state-of-the-art convex optimization techniques, which in general outperform the greedy techniques in terms of quality of reconstructions. Recently, fast convex optimization based reconstruction algorithms have been developed which are also able to achieve the benchmarks for the use of CS-MRI in clinical practice. This book enables graduate students, researchers, and medical practitioners working in the field of medical image processing, particularly in MRI to understand the need for the CS in MRI, and thereby how it could revolutionize the soft tissue imaging to benefit healthcare technology without making major changes in the existing scanner hardware. It would be particularly useful for researchers who have just entered into the exciting field of CS-MRI and would like to quickly go through the developments to date without diving into the detailed mathematical analysis. Finally, it also discusses recent trends and future research directions for implementation of CS-MRI in clinical practice, particularly in Bio- and Neuro-informatics applications.