Compressed sensing approach makes possible to accelerate data acquisitions. However, study for in vivo CS-fMRI or CS-CEST has not existed. in vivo CS-fMRI has some difficulties to apply CS, such as slow temporal dynamics of hemodynamic signals and concerns of statistical power loss. Also, CEST is a relatively new subject in MR imaging, so applying CS has not tried. In this study, we investigated the properties of CS-fMRI and CS-CEST by using k-t FOCUSS as a reconstruction algorithm. In the study of CS-fMRI, Functional sensitivity, specificity, and time course were used to measure the ability of CS-fMRI. Consequently, the CS-fMRI has following properties. 1) the Gaussian sampling pattern with fully sampled center one line and the random sampling pattern with 10\% low k-space lines are more sensitive than the complete random sampling pattern, 2) CS-fMRI with GRE improves the functional sensitivity and specificity over the fully sampled data, 3) CS-fMRI improves temporal resolution, and reduces temporal noises, 5) CS-fMRI is effective for both block-design and event-related paradigms in BOLD and cerebral blood volume-weighted contrasts. We conclude that CS-fMRI is a valuable tool especially for conventional GRE fMRI studies. In the study of CS-CEST, the validity of constructing z-spctrum from CS data was shown. As a result, the reconstruction of baseline images and z-spectrum is realizable from CS-CEST, albeit further work is required to establish the advantages of CS-CEST.
최근 샘플링 수가 부족한 데이터에서도 고해상도 영상 복원이 가능하다는 압축 센싱 이론이 등장하면서 자기 공명 영상 분야에서도 영상을 얻어내는데 걸리는 시간이 감소하였다. 이를 바탕으로 하여 자기 공명 영상의 여러 분야, 특히 동적 구조 이미징에서 다양한 복원 알고리즘들이 개발되었고, 다른 분야에서도 압축 센싱 이론을 적용하는 것의 실효성에 대한 의견이 제기되고 있다. 본 연구에서는 혈류의 변화를 이용하여 이미징하는 뇌기능 자기 공명 영상과 분자의 특성에 기인한 CEST 영상에 압축 센싱 이론을 적용해보고, 각 경우의 장단점과 압축 센싱 이론 적용의 타당성을 보이는 것을 목적으로 한다. 실제 뇌 영상을 이용한 실험 결과들은 압축 센싱을 적용할 경우 전체적으로 샘플링 했을 때보다 더 좋은 결과를 보여주고 있다.
