Gridding algorithm from non-uniform to cartesian sampling pattern has been extensively investigated for many years within MR imaging community. Recently, using regularization and sparsity constraint, a generalized version of gridding algorithm called NIRVANA(Non-iterative Regularized reconstruction Algorithm for Non-CartesiAn MRI) has been proposed. However, the NIRVANA has been optimized as a gridding method for single coil, and its performance is not optimal for parallel imaging applications. The main contribution of this paper is to extend the NIRVANA such that it is optimally tuned for coil-diveristy information, which results in coil specific gridding scheme. Extended experiments confirmed that our method outperforms the conventional ones due to coil specific density compensation matrices.
Spiral MRI의 병렬 영상(parallel imaging) 복원에서 코일에 특화된 밀도 보상 행렬(density compensation matrix)를 사용함으로써 좀더 질이 좋고 sharp한 이미지를 얻을 수 있음을 확인하였다. 기존의 방법들은 단순히 gridding 자체의 성능을 개선하고자 하였다면 본 논문의 방법에서는 최종 이미지를 얻기 위해 여러 장의 이미지가 사용될 것을 미리 계산해넣고 각각 코일의 sensitivity-map을 이용하여 밀도 보상 시의 가중치를 이미지마다 다르게 줌으로써 좀 더 나은 이미지를 얻을 수 있었다. 밀도 보상 행렬의 sparsity pattern을 비교해봄으로써 본 논문에서 제시된 방법의 특성을 알 수 있었는데, 병렬 영상의 개념이 없는 NIRVANA 방법의 밀도 보상 행렬은 contrast 정보가 많은 k-space의 중심 부분을 밀도 보상에 많이 참여시켰고 본 논문의 방법은 detail 정보가 많은 k-space의 가장자리 부분을 밀도 보상에 많이 참여시켰다. 결과적으로 하나의 이미지를 복원하는데는 NIRVANA 방법이 효율적일 수 있지만, 다수의 이미지가 참여하는 병렬 영상 복원에서는 오히려 detail한 정보가 많이 포함되는 것이 최종 이미지를 복원하는데 좀 더 나은 방법으로 판단되었다. 본 논문의 방법은 sparsity 정도를 더 늘리고 regularization을 사용함으로써 여전히 개선의 여지가 남아있다.
