Statistically Segregated k-Space Sampling for Accelerating Multiple-Acquisition MRI

UMRAM’da Statistically Segregated k-Space Sampling for Accelerating Multiple-Acquisition MRI adlı bir makale yayınlanmıştır. Yüksek lisans öğrencileri ve öğretim üyelerimizden Lütfi Kerem Şenel ,Toygan Kılıç, Asst. Prof. Emine Ülkü Sarıtaş, Assoc. Prof. Tolga Çukur ve Aselsan’dan Alper Güngör, Emre Kopanoğlu, H. Emre Güven, Aykut Koç tarafından yazılan makale 14 Ocak 2019’da “IEEE Transactions on Medical Imaging“de yayınlandı.

Özet: Çoklu-edinim manyetik rezonans görüntülemenin (MRG) önemli kısıtlamalarından biri, ayrık veri kümesi sayısı arttıkça tarama veriminin düşmesidir. Seyrek yeniden oluşturma teknikleri, rastgele ve yetersiz örneklenmiş edinimler ile bu kısıtlamayı hafifletebilmektedir. Her bir edinim için sabit bir örnekleme yoğunluğundan çekilen farklı rastgele örüntüler kullanmak sıklıkla tercih edilen bir örnekleme stratejisidir. Ancak, genellikle bu rastgele örüntüler edinim boyutu üzerinde geriçatma kalitesini ya da tarama verimini düşüren boşluklar veya kümelenmeler barındırırlar. Bu çalışmada, çoklu-edinim MRG’deki bu sorunu çözmek için istatistiksel olarak ayrık bir örnekleme yöntemi önerilmiştir. Önerilen yöntem, üretilen her bir örüntünün ardından örnekleme yoğunluğunu, farklı örüntüler arasındaki çakışmayı en aza indirecek şekilde uygun olarak değiştirmektedir. Bunun sonucunda, k-uzayının radyal boyutundaki örnekleme yoğunluğu korunurken edinimler arasındaki örtüşmezlik arttırılmıştır. Faz döngülü bSSFP (balanced  steady-state free precession) ve çoklu eko T2-ağırlıklı görüntüleme için kapsamlı analizler yapılmış, sayısal simülasyonlar ve in vivo veriler için geriçatım başarıları hesaplanmıştır. Sunulan sonuçlara göre, çoklu edinim veri kümelerinde, ayrık örnekleme yöntemi hem Fourier hem de sıkıştırılmış algılama geriçatım kalitesinde önemli iyileştirme sağlamaktadır.