کاربرد سنجش فشرده درتصویربرداری پزشکی به روش تشدید مغناطیسی( mri)
چکیده
بر طبق نظری? نمونه برداریِ شانن(shannon)، برای بازسازی دقیق یک سیگنال زمان-پیوسته با پهنایباند محدود از روی نمونه-های بهفواصلِ یکنواختِ آن، نرخ نمونهبرداری باید حداقل دو برابر ماکزیمم فرکانس موجود در سیگنال (موسوم به نرخ نایکوئیست) باشد. اما با توجه به نظری? جدیدی که تحت عنوان سنجش فشرده(compressive sensing یا به اختصار cs) در سال 2006 مطرح شده، تحولی در این زمینه ایجاد شده است. این نظریه مبتنی بر دو خاصیت اِسپارس بودن (sparsity)و ناهمدوسی(incoherence) می باشد و چنین بیان میدارد که اگر اطلاعاتی غیر از پهنای باند سیگنال، همچون اِسپارس بودن نمایش آن در پای? مناسب، وجود داشته باشد، آنگاه می توان با تعداد نمونههایی به مراتب کمتر از آنچه تئوری شانن بیان میدارد - با استفاده از روشهای بهینهسازی- آن را به طور مطلوب بازسازی کرد. تصویربرداری پزشکی به روش تشدید مغناطیسی(mri) یک پروس? زمانبر میباشد و میزانِ کاهش زمان اسکن در آن با توجه به محدودیتهای تکنولوژیک و فیزیولوژیک تقریباً به انتها رسیده است. از آنجایی که میتوان تصاویرmri را به کمک تبدیلات خطی مثل تبدیل ویولت به صورت اِسپارس نمایش داد، بنا به نظری? سنجش فشرده میتوان با انتخاب تعداد کمی از دادههای فضای k آن را به طور مطلوب بازسازی کرد. از این امر میتوان برای کاهش زمان اسکن در mri ،که امری مهم در تصویربرداری پزشکی محسوب میگردد، بهره جست. در این پروژه، میزان همدوسی بین پایههای ویولت مختلف و پای? تبدیل فوریه، هم به روش آنالیزpoint spread function و هم از طریق محاسب? رابط? ناهمدوسی در سنجش فشرده بررسی شده است. نتایج به دست آمده نشان میدهد کهانتخاب نوع ویولت تأثیر چشمگیری در کیفیت تصاویر بازسازی شده با تکنیکهای cs ندارد. همچنین، از طریق شبیهسازی، یک ماسک مناسب برای کاهش دادههای فضای k معرفی میشود که از بین سه نوع ماسکِ تصادفی یکنواخت، تصادفی گوسین، و تصادفی یک بُعدی با تراکم متغیر انتخاب میگردد. در نهایت، عملکرد سه روش بازسازی تصاویر mri از روی دادههای ناکامل فضای k ، یعنی روشهای subsampled، مینیمم نُرم l1، و مینیممِ همزمانِ نُرمهای l1 وtotal variation (tv)،مقایسه میشوند؛و عملکرداین تکنیکها در حضور نویز نیز ارزیابی میگردد.