Module 04

Compressed Sensing 時間軸と FISTA

MD + HTML + 図解

k-spaceを間引き、時間方向の冗長性を使い、反復計算でデータ整合性と疎性を両立する

Compressed Sensingは、単にk-spaceを抜く撮像ではない。疎性、非干渉なサンプリング、データ整合性付きの非線形再構成が揃って初めて成立する。

4D Flowでは時間方向の冗長性が大きいため、Temporal Scalingや反復演算の考え方を理解しておくと、画質・VNR・peak underestimation・TKE/MKEへの影響を説明しやすい。

1 2 3 4

最初に押さえる4点

CSの三条件は、疎性、非干渉サンプリング、非線形反復再構成。
最適化問題は data consistency + λ sparse regularization として読める。
FISTAはISTAにmomentumを加えた高速な近接勾配法で、L1正則化問題の代表的解法である。
時間方向正則化はノイズを抑えるが、過剰だとpeakや急峻な時間変化を平滑化する。

CS再構成とFISTAの反復ループ | 測定データへ戻す力と、疎性へ寄せる力を交互にかける

時間方向正則化の効き方 | 時間方向のノイズを削るほど、急峻なピークや位相変化も削るリスクがある

1. CSは三条件がそろって成立する

Compressed Sensing MRIの実装は、撮像対象が何らかの変換領域で疎であること、間引きが非干渉なaliasを作ること、再構成で疎性とデータ整合性を同時に満たすことを前提にする。

4D Flowでは、空間・時間方向に相関が強く、速度場が完全にランダムではない。この冗長性を使ってscan timeを短縮する。

条件	意味	4D Flowでの読み方
疎性	情報が少数成分に集中	時間差分・wavelet・空間構造
非干渉	aliasが構造的に重ならない	variable density / pseudo-random
反復再構成	欠損をモデルで補う	SENSE + L1 + temporal regularization

用語整理

Data consistency: 再構成画像から予測されるk-spaceが、実測データと合うようにする制約。
Sparsity: 変換後の係数の多くがゼロまたは小さい性質。

運用方法

CS factorを上げる時は、scan time短縮だけでなくpeak velocity、flow curve、TKE/MKEの感度を一緒に見る。
同じCS factorでも、正則化パラメータが違えば別条件として扱う。

アンチパターン

CS factorだけを撮像条件として記録し、再構成パラメータを残さない。

2. 最適化問題は“戻す力”と“削る力”のバランス

代表的には min_x 1/2||Ax−y||² + λ||Ψx||1 の形で考えられる。前半は実測データへの整合性、後半は疎性を促す正則化である。

λが小さいとデータ整合性が強くノイズやaliasが残りやすい。λが大きいとノイズは減るが、ピークや急な時間変化まで削る可能性がある。

λの設定	見た目	定量への影響
低すぎる	ざらつき、残存alias	VNR低下、偽高TKE
適正	ノイズ抑制と構造維持	flow curveが保たれる
高すぎる	滑らか、ぼけ	peak velocity/flow過小評価

用語整理

λ: 正則化の強さ。WIP UIではReg.ParamやTemporal Scalingなどに分かれて見えることがある。
Ψ: 疎性を評価する変換。wavelet、finite difference、temporal transformなど。

運用方法

Reg.ParamとTemporal Scalingを変えた場合は、画像だけでなくflow curveとpeak値を並べる。
報告書では“画質が良い”ではなく、どの定量値がどの程度動いたかを書く。

アンチパターン

見た目が滑らかな条件を最適条件と決める。CSでは滑らかさが定量の過小評価を隠すことがある。

3. FISTAは近接勾配法に加速を入れる

ISTAは、データ整合性項に対する勾配ステップと、L1項に対するsoft-thresholdingを繰り返す。FISTAはここにmomentumを加え、過去の更新方向を使って収束を速める。

MRI再構成では問題サイズが大きく、coil encoding、時間フレーム、速度encodingが絡むため、反復回数と収束速度は実務上の制約になる。

ステップ	役割
x更新	現在の推定画像をデータへ近づける
soft threshold	小さい疎係数を削る
t更新	momentum係数を更新
z更新	次回の探索点を加速方向へ動かす

用語整理

Proximal operator: L1正則化のように微分しにくい項を扱うための写像。soft-thresholdingが代表例。
Momentum: 前回の移動方向を次回更新へ混ぜ、収束を速める仕組み。

運用方法

FISTAはアルゴリズム概念として説明し、実機WIPの実装詳細は公開仕様でない限り断定しない。
ユーザー説明では、反復演算で“測定データに戻す”工程と“不要成分を削る”工程がある、と分けて説明する。

アンチパターン

FISTAという名前だけで、全てのCS実装が同じ挙動だと説明する。

4. 時間軸正則化は4D Flowの肝だが、二次量に効く

4D Flowは心周期フレームを持つため、隣接時相の類似性を使える。Temporal Scalingは、時間方向の正則化の重みを変えるパラメータとして理解すると説明しやすい。

ただし、時間方向のノイズを削る処理は、短時間のピーク、渦、jetの立ち上がりも削りうる。peak velocity、Qmax、TKE/MKEを扱う研究では、時間軸正則化を単なる画質パラメータとして扱わない。

評価対象	時間平滑化の影響
平均流量	比較的安定しやすい
peak velocity	過小評価されやすい
Qmax	ピークが丸まる可能性
TKE	ノイズ由来高値を抑えるが、真の乱流も削る可能性

用語整理

Temporal Scaling: 時間方向の正則化重みを相対的に変えるUIパラメータとして扱う。厳密式はWIP実装に依存する。
FISTA: Fast Iterative Shrinkage-Thresholding Algorithm。L1正則化付き逆問題の代表的高速反復法。

運用方法

CS factor検討では、GRAPPA/Conventionalを基準に、CS factorとTemporal Scalingの2軸で定量値の崖を探す。
画像の見た目、flow curve、voxel-by-voxel、断面流量を段階的に確認する。

アンチパターン

Temporal Scalingを上げて見た目が良くなった条件を、そのまま定量研究の標準にする。

主要参考文献・根拠

社内・ローカル根拠: WIP039 AdvFlow CS4D, Bayesian Velocity Unfolding, TKE, Compressed Sensing, ReCAR文献メモ、および名古屋大学訪問書き起こしから抽出した論点を統合。