SENSitivity Encoding (SENSE) has demonstrated potential for significant
scan time reduction using multiple receiver channels. SENSE
reconstruction algorithms for non-uniformly sampled data proposed to date
require relatively high computational demands. A Projection Onto Convex
Sets (POCS)-based SENSE reconstruction method (POCSENSE) has been
recently proposed as an efficient reconstruction technique in rectilinear
sampling schemes. POCSENSE is an iterative algorithm with a few
constraints imposed on the acquired data sets at each iteration. Although
POCSENSE can be readily performed on rectilinearly acquired k-space data,
it is difficult to apply to non-uniformly acquired k-space data.
Iterative Next Neighbor re-Gridding (INNG) algorithm is a recently
proposed new reconstruction method for non-uniformly sampled k-space
data. The POCSENSE algorithm can be extended to non-rectilinear sampling
schemes by using the INNG algorithm. The resulting algorithm
(POCSENSINNG) is an efficient SENSE reconstruction algorithm for
non-uniformly sampled k-space data, taking into account coil
sensitivities.
O encoding da sensibilidade (SENTIDO) demonstrou o potencial para a redução significativa do tempo da varredura usando as canaletas múltiplas do receptor. Os algoritmos do reconstruction do SENTIDO para os dados non-uniformly provados propostos datar requerem demandas computacionais relativamente elevadas. Uma projeção em jogos convexos (o método do reconstruction do SENTIDO de POCS)-based (POCSENSE) tem sido proposto recentemente como uma técnica eficiente do reconstruction em esquemas de amostragem rectilinear. POCSENSE é um algoritmo iterativo com alguns confinamentes impostos nas séries de dados de adquiridas em cada iteração. Embora POCSENSE possa prontamente ser executado em dados rectilinearly adquiridos do k-espaço, é difícil aplicar-se aos dados non-uniformly adquiridos do k-espaço. O algoritmo (INNG) re-Gridding-Gridding vizinho seguinte iterativo é um método novo recentemente proposto do reconstruction para dados non-uniformly provados do k-espaço. O algoritmo de POCSENSE pode ser estendido aos esquemas de amostragem non-non-rectilinear usando o algoritmo de INNG. O algoritmo resultante (POCSENSINNG) é um algoritmo eficiente do reconstruction do SENTIDO para dados non-uniformly provados do k-espaço, fazendo exame em sensibilidades da bobina do cliente.
