@InProceedings{2015_huang99,
	author = "Jianping Huang and Lihui Wang and Chunyu Chu and Yanli Zhang and Wanyu Liu and Yuemin Zhu",
	title = "Compressed sensing MR image reconstruction using data-driven tight frame",
	booktitle = "25° Colloque sur le traitement du signal et des images",
	year = "2015",
	publisher = "GRETSI - Groupe de Recherche en Traitement du Signal et des Images",
	number = "001-00274",
	pages = "p. 1097-1100",
	month = "Sep # 8--11",
	address = "Lyon",
	doi = "",
	pdf = "2015_huang99.pdf",
	abstract = "Résumé - L'acquisition comprimée (compressed sensing—CS) est une technique permettant de réduire le temps d'acquisition en imagerie par résonance magnétique (IRM) en sous-échantillonnant l'espace k. La parcimonie ou la compressibilité est la prémisse fondamentale de l'acquisition comprimée. Des transformations prédéfinies telles que la transformée en ondelettes discrète, les framelets et la shearlet ont été largement utilisées pour obtenir des représentations parcimonieuses. Nous proposons une nouvelle méthode de reconstruction des images IRM basée sur CS à l'aide de la technique de data-driven tight frame (data-driven TF). La méthode consiste à diviser une image IRM en patches, à apprendre une série de filtres en utilisant la technique de data-driven TF à partir de ces patches, et à reconstruire l'image finale à l'aide de la technique de Fast Iterative Shrinkage Thresholding Algorithm (FISTA) avec un schéma itératif. Les résultats montrent que la méthode proposée convient à tous les schémas d'échantillonnage de l'espace k et améliore significativement la qualité de l'image par rapport aux méthodes de reconstruction des images IRM existantes.
 Abstract - Compressed sensing (CS) is a promising technique to reduce the acquisition time of magnetic resonance imaging (MRI) by using under-sampled k-space data. Sparsity or compressibility is the fundamental premise of the compressed sensing. The predefined transforms, such as the discrete wavelet transform (DWT), the framelets and the shearlet, have been widely used to provide sparse representations. This paper proposes a new CS reconstruction method for MR images using a data-driven tight frame (data-driven TF). The method consists of dividing the MR image into overlapping patches, learning a set of filters forming the data-driven TF from these patches, and reconstructing the final image using the Fast Iterative Shrinkage Thresholding Algorithm (FISTA) with an iterative scheme. The results show that the proposed reconstruction method is suitable for different sampling schemes, including variable density and radial k-space sampling, and improves significantly the image quality compared with existing CS-MR image reconstruction techniques..pdf",
}