Modelování perfuzních křivek v dynamické magnetické rezonanci

Abstract

Perfúzne zobrazovanie pomocou dynamickej MRI má veľmi široké uplatnenie v lekárskej praxi, pretože poskytuje informácie o perfúznej charakteristike sledovaného tkaniva. Pri využití klasickej rekonštrukcie platí, že z dôvodu časovej náročnosti merania nie sme schopní zaznamenať dostatok vzoriek pre dosiahnutie potrebného časového a priestorového rozlíšenia. Je preto nutné využitie tzv.~komprimovaného snímania, ktoré umožní rekonštrukciu z menšieho počtu vzoriek pomocou optimalizačného modelu. V práci sú overené viaceré modely rekonštrukcie sekvencie obrazov pre reálne i simulované dáta a~tiež sú porovnané viaceré algoritmy na ich riešenie. Medzi použité modely patria dva L+S modely s odlišnou regularizáciou zložky S, riešené pomocou Forward-Backward a Chambolle-Pock algoritmu. Kvalita rekonštrukcie jednotlivých modelov bola porovnávaná najmä podľa získaných perfúznych kriviek. V poslednej časti je preskúmaná možnosť modifikácie SASS modelu pre zvýšenie kvality rekonštrukcie a odolnosti voči podvzorkovaniu, za účelom lepšej adaptácie modelu pre dynamické dáta.Perfusion MRI can provide information about perfusion characteristics of the observed tissue, which makes it a widely applicable medical procedure. Measuring process of MRI is very time-consuming, and therefore, using classical reconstruction methods, we are often not able to obtain enough samples to accomplish the needed time and space resolution for perfusion analysis. That is why it is necessary to use compressed sensing, which allows reconstruction from under-sampled data by solving an optimization model. In this work, several models for reconstruction of an image sequence are verified on real and artificial data, along with multiple algorithms capable of solving these models. Among the optimization models used in this work are two L+S models with different regularization of the S component that are solved by Forward-Backward and Chambolle-Pock algorithm. The quality of reconstruction for various models was compared especially by their perfusion curves. In the last section, we explore possible modifications of the SASS model in order to increase quality of reconstruction and resistance to under sampling for the purpose of better adaptation for dynamic data.