PREDICTIBILIDAD LINEAL EN MAGNÉTICA

RECONSTRUCCIÓN DE IMÁGENES DE RESONANCIA

Aprovechando la estructura de Fourier invariante de cambio para obtener imágenes mejores y

más rápidas

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.

La predicción lineal subyace en algunos de los primeros métodos en el campo de la reconstrucción

computarizada por resonancia magnética [2] - [6], algunos de los métodos de reconstrucción
computarizada por resonancia magnética más utilizados en la práctica clínica moderna [7], [8], y
algunos de los más flexibles y enfoques versátiles de imágenes computacionales modernas que
permiten nuevos estilos de adquisición de datos sin precedentes [9], [10]. Además, el concepto de
previsibilidad lineal se puede utilizar para unificar una serie de restricciones de reconstrucción de
resonancia magnética más clásicas [9] - [14], incluido el apoyo espacial limitado y las restricciones
de fase suave [5], restricciones multicanal ("imágenes paralelas") [ 15], y restricciones de escasez
[16]. Es importante destacar que esto se puede hacer sin necesidad de hacer las suposiciones de
modelado de imagen discreta / finita de los métodos típicos de reconstrucción de MRI basados en
modelos [17]
y sin la información previa detallada o los datos de calibración que con frecuencia requieren los
métodos clásicos de reconstrucción restringida [5], [15].

Significativamente, aunque muchos métodos de reconstrucción por resonancia magnética están

implícitamente vinculados a la predicción lineal, esta conexión no siempre ha sido explícita, y
recientemente ha surgido una visión unificada de estos métodos bajo un marco teórico común. La
conexión con la predicción lineal es teóricamente esclarecedora y tiene una serie de beneficios
prácticos. Por ejemplo, puede ayudar a desmitificar las características de rendimiento de los
primeros enfoques que se presentaron originalmente como "cajas negras" sin una justificación
teórica sólida, lo que ayuda a revelar tanto las fortalezas como las limitaciones de tales métodos.
Las nuevas ideas que surgen de esta perspectiva también se pueden utilizar para identificar áreas
donde la estructura inherente de los datos de MRI está actualmente subexplotada e inspirar
nuevos enfoques creativos que pueden ayudar a acercar la MRI a sus límites de rendimiento
fundamentales aún por determinar. Esta es un área activa de investigación, y creemos que hay
oportunidades sustanciales para un mayor desarrollo.

EL MODELO BÁSICO DE RESONANCIA MAGNÉTICA

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 adquisición de resonancia magnética clásica generalmente se modela como un muestreo de

la transformada de Fourier de ρ(x) a la tasa de Nyquist, es decir

Donde ︡ρ[n] es la enésima muestra en el dominio de Fourier. La teoría de muestreo convencional

nos dice que podemos recuperar la imagen original de muestras infinitas a través de

Para x ∈ [- B / 2, B / 2]. Desafortunadamente, el tiempo de adquisición de datos de MRI se

escala con el número de muestras de ︡ ρ[n] que se miden, y la calidad de imagen se degrada
severamente si se obtienen muy pocas muestras.
EXTRAPOLACIÓN PREDICTIVA LINEAL, INTERPOLACIÓN Y ANIQUILACIÓN

Afortunadamente, para muchas imágenes de resonancia magnética de interés, los datos de

Fourier ︡ρ[n] es aproximadamente linealmente predecible porque está bien modelado como
autorregresivo. (Algunos trabajos iniciales suponían un modelo de promedio móvil autorregresivo
para ︡ρ[n], aunque esto ha caído en desgracia en relación con el modelado autorregresivo puro.
Este artículo se centra exclusivamente en el caso autorregresivo.) La predictibilidad lineal puede
expresarse de muchas formas, aunque la que es potencialmente más familiar para una audiencia
de procesamiento de señales es lo que llamamos la forma de extrapolación en este artículo.

 Extrapolación lineal predictiva

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: