Optimized Data Acquisition for Image Reconstruction in Magnetic Particle Imaging (MPI) Based on Compressed Sensing

Project: DFG ProjectsDFG Individual Projects

Project Details


Using Magnetic Particle Imaging (MPI) a local concentration of magnetic nanoparticles can be displayed quantitatively in real-time with high sensitivity and with very good spatial resolution. The basic idea is to utilize the non-linear magnetization characteristics of the particles which are used as tracers. For this purpose, the technique employs two magnetic fields, on the one hand a static selection field, on the other hand a dynamic alternating field. Once the nanoparticles are brought into the alternating field they produce a non-linear magnetization, which can be measured using a receive coil. Apart from the fundamental frequency of the alternating field the measured signal also contains harmonics, i.e. oscillations with multiples of the fundamental frequency, which is caused by the non-linearity. After separation of the harmonics from the applied basic signal the concentration of the nanoparticles can be determined. Spatial encoding is achieved using the static selection field. In first experimental studies MPI has already shown advantages over other imaging modalities. However, it has not yet reached its full potential with respect to spatial resolution, signal-to-noise ratio and acquisition times. It can be expected that recent advancements in signal processing and sampling theory, especially in the field of compressed sensing (CS), will contribute to the enhancement of image quality and speed. Sparse coding and compressed sensing have already improved other imaging modalities like e.g. Magnetic Resonance Imaging (MRI) considerably compared to the state-of-the-art of science. So far, the standard wavelet transformations have predominantly been applied as suitable transformations. Increasingly though transformations are sought that suit the signal characteristics of the respective modality. This strategy shall also be pursued in this project. Based on data of a simulation chain, which is to be developed, and realizations of different MPI scanner topologies by the Institute of Medical Engineering adapted transformations can be optimized for sparse coding, capitalizing on the expertise of the Institute for Signal Processing.

Key findings

Zusammen mit dem Projektpartner wurden im vorliegendem Projekt grundlegende Erkenntnisse bezüglich der MPI-Bildrekonstruktion mit Compressed Sensing erlangt. Dazu wurden zunächst wichtige Strukturen geschaffen, die eine Untersuchung der Wechselwirkung zwischen Spulendesign, Bildgebungssequenz und CS-Algorithmus erlauben. Ein wichtiger zu untersuchender Aspekt lag in der Verwendung dedizierter Spulen, um eine bestmögliche räumlich-zeitliche Auflösung zu erreichen. Als Ergebnis wurden elliptische Spulen vorgeschlagen und untersucht. Weiterhin wurden verschiedene Trajektorienstudien in Hinblick auf die Verwendung von CS-Algorithmen durchgeführt. Unter Verwendung von CS, konnten für sämtliche untersuchte Trajektorien deutlich bessere Ergebnisse erzielt werden als mit klassischen Rekonstruktionsverfahren. Als beste Trajektorie wurde die Lissajous-Trajektorie identifiziert, was konsistent mit anderen Trajektorienstudien ist. Um das volle Potential der entwickelten Algorithmen zu verdeutlichen, wurden verschiedene Phantome unter besonderer Berücksichtigung der Abbildung dynamischer Prozesse entwickelt, hergestellt und für zahlreiche Publikationen verwendet. Für die Anwendung von CS wurden verschiedene spärliche Repräsentationen und Spärlichkeitsoperatoren auf Tauglichkeit geprüft. Darauf aufbauend wurde das Prinzip der Teiltrajektorien entwickelt, um die zeitliche Auflösung bei der MPI-Bildgebung zu beschleunigen. Weiterhin wurden vorwissenbasierte Ansätze verwendet, die unter anderem Vorwissen zu partikelfreien Bereichen und der Struktur des Bildes nutzen, um die Bildrekonstruktion zu beschleunigen. Abschließend wurden rekursive Rekonstruktionsalgorithmen entwickelt, die eine echtzeitfähige Bildrekonstruktion ermöglichen.
Effective start/end date01.01.1401.01.19

UN Sustainable Development Goals

In 2015, UN member states agreed to 17 global Sustainable Development Goals (SDGs) to end poverty, protect the planet and ensure prosperity for all. This project contributes towards the following SDG(s):

  • SDG 9 - Industry, Innovation, and Infrastructure

Research Areas and Centers

  • Academic Focus: Biomedical Engineering

DFG Research Classification Scheme

  • 205-32 Medical Physics, Biomedical Engineering


Explore the research topics touched on by this project. These labels are generated based on the underlying awards/grants. Together they form a unique fingerprint.