< Terug naar vorige pagina

Project

Optimale experimentele opzet voor kwantitatieve superresolutie reconstructie MRI.

Magnetic resonance imaging (MRI) is een medische beeldvormingstechniek die een uitstekend zacht-weefselcontrast genereert en het mogelijk maakt zowel de anatomie als de functie van weefsels niet-invasief te onderzoeken. Bij conventionele MRI zijn voor directe HR-acquisitie lange scantijden nodig om voldoende precisie en ruimtelijke resolutie van het resulterende MR-beeld te bereiken. Vanuit diagnostisch oogpunt vergroten lange scantijden de kans op bewegingsartefacten, terwijl zij vanuit economisch oogpunt de verwerkingscapaciteit verminderen. Bovendien veroorzaken lange scantijden ongemak voor de patiënt. Multi-slice superresolutiereconstructie (MS-SRR) heeft het potentieel om deze beperking te verminderen, door de inherente trade-off tussen resolutie, SNR en scantijd te verbeteren. MS-SRR bestaat erin een 3D-beeld met hoge resolutie (HR) te schatten op basis van een reeks 2D-multislicebeelden met een grote snededikte. Om gegevens voor een MS-SRR-experiment te verkrijgen, worden gewoonlijk twee strategieën gevolgd. De eerste bestaat uit het verwerven van een reeks multislicebeelden met parallelle oriëntaties, waarbij elk beeld in de dwarsdoorsnede-richting is verschoven met een verschillende subpixelafstand. De tweede bestaat uit het verwerven van geroteerde multislice-beelden, waarbij elk beeld om de frequentie- en/of fasecoderingsas wordt geroteerd met een andere rotatiehoek. Deze twee strategieën zullen worden vergeleken in termen van nauwkeurigheid en precisie van de gereconstrueerde beelden. MS-SRR schatting is over het algemeen een slecht gesteld probleem en het gebruik van regularisatie heeft een impact op het SRR geschatte beeld. Ik zal een Bayesiaans SRR raamwerk onderzoeken waarin lokale correlatie informatie geleerd wordt uit MRI beelden en gebruikt wordt om de SRR schatting te stabiliseren. Een optimaal experimenteel design kader zal worden ontwikkeld waarin de Bayesiaanse Mean Squared Error (BMSE) van de MAP schatter wordt voorgesteld als een prestatiecriterium, om de twee voornoemde acquisitie strategieën te vergelijken in het kader van geregulariseerde MS-SRR. We zijn van plan om de op BMSE gebaseerde voorspellingen te valideren op gesimuleerde en reële gegevens. Ten slotte willen we het kader voor een optimaal experimenteel ontwerp van MS-SRR uitbreiden tot kwantitatieve SRR (qSRR). Bij qSRR wordt een hoge-resolutie (HR) relaxatieparameterbeeld geschat op basis van een reeks gewogen multi-slice beelden met een lage snede-resolutie. Elke slice van elk LR-beeld kan worden verkregen met verschillende wegingsinstellingen, waardoor maximale flexibiliteit wordt geboden om de wegingsinstellingen voor elke slice afzonderlijk te optimaliseren. Met het oog op de hoogst haalbare precisie voor een gegeven opnametijd, zullen we het experimenteel ontwerp van het SRR-kader optimaliseren door te zoeken naar de optimale opnameparameters. Verwacht wordt dat dit onderzoek de afweging tussen signaal-ruisverhouding, resolutie en scantijd in qSRR verder zal verbeteren, door bijvoorbeeld precieze schattingen van HR-parameterbeelden uit kortere scans mogelijk te maken.
Datum:1 sep 2021 →  31 aug 2022
Trefwoorden:(RUIMTELIJKE) RESONANTIE, MAGNETISCHE RESONANTIE BEELDVORMING (MRI), RECONSTRUCTIE (VIA COMPUTER)
Disciplines:Biomedische beeldverwerking, Neuroimaging