Documentos de Académico
Documentos de Profesional
Documentos de Cultura
La resonancia magnética (MRI) es una técnica de imagen potente y muy versátil que ha tenido un
tremendo impacto tanto en la ciencia como en la medicina. Desafortunadamente, la adquisición
de datos de MRI también consume mucho tiempo y es costosa, lo que hasta ahora le ha impedido
desarrollar todo su potencial. Como resultado, el campo de IRM siempre ha estado interesado en
los métodos de procesamiento de señales que pueden generar imágenes de alta calidad a partir
de una pequeña cantidad de datos medidos. Estos métodos pueden aumentar la comodidad de la
persona que se está escaneando, permitir una evaluación de mayor calidad de fenómenos que
varían en el tiempo, mejorar el rendimiento del escáner y / o permitir exámenes de MRI más
detallados y completos dentro de un tiempo de imagen total fijo.
En las últimas décadas, se han propuesto muchos enfoques computacionales diferentes para
reducir el tiempo de exploración. Aunque puede no ser ampliamente conocido por las
comunidades más amplias de MRI o de procesamiento de señales, la predicción lineal proporciona
un poderoso marco matemático para comprender una amplia gama de métodos de reconstrucción
computacional de MRI existentes. En este artículo, proporcionamos una descripción general de
dichos métodos en el contexto de este marco. La predicción lineal es bien conocida en el
procesamiento de señales [1] y puede ser más reconocible por su utilidad en aplicaciones de
procesamiento de voz y estimación de espectro. En la resonancia magnética, la predictibilidad
lineal implica que no es necesario muestrear los datos con tanta frecuencia como lo dicta el
teorema de muestreo convencional, porque los datos que faltan pueden imputarse con precisión
como una combinación lineal de muestras medidas.
Las imágenes de resonancia magnética son generalmente multidimensionales. Sin embargo, para
evitar una notación complicada, nuestra descripción se centra en una versión simplificada de MRI
en la que queremos reconstruir una continua, 1D, ρ(x) con x Є ℝ. Las generalizaciones a escenarios
de dimensiones superiores son sencillas. Se supone que la imagen tiene un soporte espacial finito,
de modo que ρ(x)=0 para x ∉ [-B/2, B/2]. La variable B define un límite superior en el tamaño del
soporte de imagen y el intervalo [-B / 2, B / 2] ⊂ ℝ se conoce como el campo de visión (FOV).
La forma de extrapolación supone que existe un conjunto fijo invariante de desplazamiento de los
coeficientes P α 1, α 2 …. α p, de manera que, para todos los enteros n, la muestra ︡ρ[n] se puede
aproximar como una combinación lineal de las muestras P anteriores: