Browsing by Author "Lambert, Mathias G."
Now showing 1 - 1 of 1
Results Per Page
Sort Options
- ItemHybrid data fidelity term approach for quantitative susceptibility mapping(2022) Lambert, Mathias G.; Tejos Núñez, Cristián Andrés; Pontificia Universidad Católica de Chile. Escuela de IngenieríaPor lo general los mapas de susceptibilidad se obtienen resolviendo un problema de optimización compuesto por un término de consistencia de datos y un término regularizador. El término de consistencia de datos mide la diferencia entre la solución deseada y los datos medidos. Usualmente esta diferencia se mide utilizando la norma L2. Se ha propuesto reemplazar esta norma L2 por la norma L1, debido a su robustez frente a valores atípicos. El cambio de norma permite disminuir los artefactos originados en regiones donde la señal adquirida es muy ruidosa o está perturbada. Sin embargo, en regiones con una alta relación señal/ruido, la norma L1 produce un rendimiento sub óptimo de eliminación de ruido. En éste trabajo, presentamos un enfoque híbrido de consistencia de datos que utiliza la norma L1 y posteriormente la norma L2, para aprovechar las fortalezas de ambas normas. Desarrollamos un método que utiliza un enfoque híbrido en el termino de consistencia de datos (HD-QSM) basado en métodos de inversión de susceptibilidad lineal y que utiliza variación total en el término de regularización. Cada funcional se resuelve mediante la división de variables en el marco del método de multiplicadores de dirección alterna (ADMM). HD-QSM es un método de dos etapas que primero encuentra una solución rápida del funcional de la norma L1 y luego utiliza esta solución para inicializar el funcional de la norma L2. En ambas normas incluimos pesos espacialmente variables que mejoran la calidad de las reconstrucciones. HD-QSM produjo buenas reconstrucciones en términos de definición estructural, reducción de ruido y mitigación de la generación de artefactos, comparable a los métodos no lineales, pero con menor consumo de tiempo y recursos computacionales. Con este método obtuve el primer lugar en la categoría mejor RMSE en la Etapa 1 del Desafío de Reconstruccion QSM 2019. El método propuesto permite obtener reconstrucciones robustas y precisas, obteniendo un rendimiento superior a los métodos de QSM de última generación.