|
圧縮センシングを用いて信号を復元するためには制限等長性が必要とされ，MRIにおいて制限等長性を簡便に実現する方法としてフーリエ変換行列からランダムに要素を間引く方法が広く検討されている．このとき，ランダム系列の選び方によって再生像に重畳するアーティファクトの現れ方が異なり，特に信号の間引きが一次元方向に制限される二次元撮像ではその影響が大きい．
最近，深層学習を利用したMRIの圧縮センシング再構成において等間隔に信号間引きを行っても画像再生が可能であることが報告されている．我々は信号間引き系列によって再生像の画質が変動することを抑えることを目的とし，等間隔な信号間引きを基本とする画像再生法を検討してきている．コヒーレントなアーティファクトを除去するためにはスパース化関数を強化する必要がある．そのために，本研究ではスパース化関数にカーブレット変換を使用した．カーブレット変換はウェーブレット変換や離散コサイン変換などとは異なり，ラジアル方向に画像展開が行われ，フーリエ変換基底とのインコヒーレンス性が高い．そのため，折り返しアーティファクトは多方向に分解されてその成分が抑圧される傾向がある．本研究では，アーティファクトの除去性能を高めるためにカーブレット変換の基底を変更するマルチスケール・カーブレット変換を導入した．再構成シミュレーションの結果，非ランダムな間引き収集を行った場合でもマルチスケール・カーブレット変換の採用によりランダム間引きに比肩する画像を再生できる可能性を示すことができた．また，位相を含むMR画像の場合は，位相変化が大きいほど出現するアーティファクトが小さくなる傾向が示された．これは，空間上の位相変化がアーティファクトのコヒーレント性を弱めることに貢献したものと考える．
|
