Browsing by Author "Lambert, Mathias G."

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Hybrid data fidelity term approach for quantitative susceptibility mapping
    (2022) Lambert, Mathias G.; Tejos Núñez, Cristián Andrés; Pontificia Universidad Católica de Chile. Escuela de Ingeniería
    Por lo general los mapas de susceptibilidad se obtienen resolviendo un problema de optimización compuesto por un término de consistencia de datos y un término regularizador. El término de consistencia de datos mide la diferencia entre la solución deseada y los datos medidos. Usualmente esta diferencia se mide utilizando la norma L2. Se ha propuesto reemplazar esta norma L2 por la norma L1, debido a su robustez frente a valores atípicos. El cambio de norma permite disminuir los artefactos originados en regiones donde la señal adquirida es muy ruidosa o está perturbada. Sin embargo, en regiones con una alta relación señal/ruido, la norma L1 produce un rendimiento sub óptimo de eliminación de ruido. En éste trabajo, presentamos un enfoque híbrido de consistencia de datos que utiliza la norma L1 y posteriormente la norma L2, para aprovechar las fortalezas de ambas normas. Desarrollamos un método que utiliza un enfoque híbrido en el termino de consistencia de datos (HD-QSM) basado en métodos de inversión de susceptibilidad lineal y que utiliza variación total en el término de regularización. Cada funcional se resuelve mediante la división de variables en el marco del método de multiplicadores de dirección alterna (ADMM). HD-QSM es un método de dos etapas que primero encuentra una solución rápida del funcional de la norma L1 y luego utiliza esta solución para inicializar el funcional de la norma L2. En ambas normas incluimos pesos espacialmente variables que mejoran la calidad de las reconstrucciones. HD-QSM produjo buenas reconstrucciones en términos de definición estructural, reducción de ruido y mitigación de la generación de artefactos, comparable a los métodos no lineales, pero con menor consumo de tiempo y recursos computacionales. Con este método obtuve el primer lugar en la categoría mejor RMSE en la Etapa 1 del Desafío de Reconstruccion QSM 2019. El método propuesto permite obtener reconstrucciones robustas y precisas, obteniendo un rendimiento superior a los métodos de QSM de última generación.
  • Thumbnail Image
    Item
    Investigating the effect of masking and background field removal algorithms on the quality of QSM reconstructions using a realistic numerical head phantom
    (2025) Milovic Fabregat, Carlos Andrés; Fuchs, Patrick S. ; Lambert, Mathias G.; Arsenov, Oriana; Kiersnowski, Oliver C. ; Muralidharan, Laxmi ; Murdoch, Russell ; Nassar, Jannette
    Background field removal (BFR) is an important step in the QSM pipeline, enabling thereconstruction of local susceptibility distributions by removing contributions from sources outsidethe region of interest (ROI). BFR requires calculation of a binary ROI mask, to which most BFRmethods are sensitive. We investigated how masking, and errors in local field map estimation,impact the quality of QSM reconstructions. We used the 2019 QSM Reconstruction Challengebrain phantom to simulate multi-echo gradient echo acquisitions. Echoes were combined usingcomplex fitting followed by unwrapping with SEGUE. Fifteen background field removal methods were applied using 4 local field masks. Local fields were compared with RMSE. Seven different QSM reconstruction algorithms were applied to the local fields and evaluated using the 2019 QSM Challenge metrics. For local field map estimation, PDF and MSMV performed best overall, although their performance was sensitive to the mask. V-SHARP and RESHARP were more robust to masking and showed good performance. LBV had low accuracy, which was improved by removing a polynomial fit. Surprisingly, this did not propagate to susceptibility, where LBV without polynomial fitting performed better. When paired with the Weak Harmonic QSM algorithm, LBV showed the best overall performance with low sensitivity to the mask; PDF and MSMV were next best. PDF and MSMV are robust choices for estimating local field maps and provide accurate QSM but can lead to susceptibility underestimation near brain boundaries. LBV is less reliable for local field map estimation but gives accurate results when used with weak harmonic QSM