Sıkıştırılmış Çoklu-Kontrast Manyetik Rezonans
Görüntülerinin Genişletilmiş Lagrange Metodu ile
Gerikazanımı
Compressed Multi-Contrast Magnetic Resonance
Image Reconstruction using Augmented Lagrangian
Method
Alper Güngör1,∗ , Emre Kopanoğlu1,∗ , Tolga Çukur2 , H. Emre Güven1
Özetçe —Bu bildiride, çok-kanallı/çoklu-kontrast görüntüleme
problemleri için birden fazla düzenlileştirme terimine sahip
kısıtlı enküçültme problemine Genişletilmiş Lagrange Yöntemleri
temelli bir çözüm sunulmaktadır. Önerilen algoritma verilen
problemi çok kanal için birleşik hedef fonksiyonları ile ortak bilgiden faydalanarak benzerlerinden daha yüksek kalitede
gerikazanımlar yapmaktadır. Grup seyreklik fonksiyonu ile renkli
toplam değişinti fonksiyonlarının birlikte kullanımı önerilmiş ve
benzerleriyle yakınsama hızı ve görüntü kalitesi bakımından
kıyaslanmıştır. Son olarak, algoritma Manyetik Rezonans Görüntüleme (MRG) verileri üzerinde gösterilmiş ve benzer bir yöntem
olan “Fast Composite Splitting Algorithm (FCSA-MT)” [1] ile
pSNR (tepe Sinyal Gürültü Oranı) bakımından kıyaslanmıştır.
Anahtar Kelimeler—Görüntü gerikazanımı, Sıkıştırılmış Algılama, Yön Değiştiren Çarpanlar Yöntemi, Seyreklik
Abstract—In this paper, a Multi-Channel/Multi-Contrast image reconstruction algorithm is proposed. The method, which is
based on the Augmented Lagrangian Method uses joint convex
objective functions to utilize the mutual information in the data
from multiple channels to improve reconstruction quality. For
this purpose, color total variation and group sparsity are used.
To evaluate the performance of the method, the algorithm is
compared in terms of convergence speed and image quality
using Magnetic Resonance Imaging data to FCSA-MT [1], an
alternative approach on reconstructing multi-contrast MRI data.
Keywords—Image Reconstruction, Compressed Sensing, Alternating Direction Method of Multipliers, Sparsity
I.
G İR İ Ş
Bu
bildiride,
çok-kanallı
görüntülerin
birlikte
gerikazanımında kısıtlı eniyileme teknikleri kullanılması
ele alınmaktadır. Önerilen teknik, birden çok özellikten
faydalanabilmesinin yanısıra, çok kanallı görüntülerde bulunan
ortak özelliklerden de faydalanabilmektedir. Çeşitli MRG
sıkıştırılmış algılama (SA) uygulamaları toplam değişinti
ve dönüşüm uzayı seyrekliği gibi birden çok özelliğin
bir arada artırılmasını sağlayan eniyileme problemleri
çözümünü içermektedir [2], [3]. Yakın zamanlı çalışmalar,
parçalı-sabit ve seyrek özelliklerinden grup seyreklik
fonksiyonları kullanılarak daha fazla fayda sağlanabileceğini
göstermiştir [1]. Görüntü, görüntü uzayında grup-seyrek ve
gradyan uzayında grup-seyrek özelliklerden oluşacak şekilde
modellenmiştir. Burada, Yön Değiştiren Çarpanlar Yöntemi
(YDÇY) ile önerilen problemin hesapsal olarak verimli bir
şekilde çözümü önerilmektedir.
YDÇY teknikleri sinyal ve görüntü gerikazanımı problemlerine başarıyla uygulanmaktadır [4], [5]. Bu bildiride çok
kanallı görüntü gerikazanımı probleminin YDÇY kullanılarak
çözülmesi için bir algoritma önerilmektedir. Algoritmanın hızlı gerçeklenmesi sunulmakta, etkili kullanımı MRG verisi
üzerinde gösterilmektedir. Aynı zamanda algoritma benzer
bir yöntem olan Fast Composite Splitting Algorithm (FCSAMT) [1], kıyaslanmakta, süre ve görüntü kalitesi sonuçları
verilmektedir. Görüntü kalitesi ölçütleri tepe Sinyal Gürültü
Oranı (pSNR) ve karekök ortalama hatası (RMSE)’dir.
II.
G ENEL B ILGILER
A. Veri modeli
Birçok görüntüleme problemi görüntü vektörünün, x ∈
CN , gözlem vektörü y ∈ CM ile ilişkilendirilmesinde
doğrusal operatörler kullanılarak modellenebilir. Gözlem matrisi B ise CM ×N kümesinin bir elemanıdır. Gürültü vektörünün, n ∈ CM , eklenmesiyle problem şu şekilde ifade
edilebilmektedir:
1
ASELSAN Araştırma Merkezi, Ankara, Türkiye
Elektrik-Elektronik Mühendisliği, İhsan Doğramacı Bilkent Üniversitesi,
Ankara, Türkiye
∗ Bu yazarlar çalışmaya eşit katkıda bulunmuştur.
alpergungor@aselsan.com.tr,
ekopanoglu@aselsan.com.tr,
cukur@ee.bilkent.edu.tr, heguven@aselsan.com.tr
2
978-1-5090-1679-2/16/$31.00 c 2016 IEEE
y = Bx + n,
(1)
n genellikle normal dağılıma sahiptir. Bunun yanında, bazı
görüntüleme problemleri çok-kanallı gerikazanım probleminin
çözümüne ihtiyaç duymaktadır. Gözlem vektörlerinin kaynağı
Yeşil, Kırmızı, Mavi kanallı bir kamera gibi farklı olsa da,
bu kanalların birlikte gerikazanımı genellikle performansı arttırabilmektedir [8], [9]. i numaralı kanal için, düzenleyici
denklem:
y(i) = B(i) x(i) + n(i) ,
(2)
olacaktır. Burada y(i) , B(i) , x(i) , ve n(i) değişkenleri, i
numaralı kanal için denklem (1) ile aynı değişkeni ifade
etmektedir. Bu bildiride MRG verisinin çok kanallı veri üzerinden gerikazanımı yapılmaktadır. MRG ile elde edilen Proton Yoğunluğu (PY), T1-ağırlıklı (T1a), ve T2-ağırlıklı (T2a)
görüntülerine farklı kanaldan gelen veriler gibi davranılmıştır
[1]. MRG gerikazanımı için, gözlem matrisi B(i) , kısmi
Fourier gözlemleri ile ilişkili doğrusal operatördür.
[7]’de, gözlem matrisi B’nin, aynı Fourier dönüşüm uzayı gibi,
birimsel dönüşüm uzayında maskeleme olarak ifade edildiği
durumlar için algoritmanın karmaşıklığının azaltılması için bir
yöntem tarif edilmektedir.
III.
YÖNTEM
Bu bölümde daha önce [7]’de önerilen hibrit YDÇY’nin
çok-kanallı görüntülerin gerikazanımında kullanılması için
genişletilmesi tarif edilmektedir. Beynin çok-kanallı –PY, T1a,
T2a– MRG taramalarının alındığı durum incelenmiştir.
A. Çok kanallı YDÇY
B. SA gerikazanım yaklaşımları
Gerikazanım işlemi kısıtlı bir eniyileme probleminin
çözümünü içerir. Bu çalışmada, parametre seçiminin daha kolay olması sebebiyle kısıtlı biçim kullanılmıştır [7]. Eniyileme
problemi şu biçimde ifade edilebilir:
minimize α1 φ1 (x) + α2 φ2 (x)
x
,
subject to
kBx − yk2 ≤ ǫ
(3)
YDÇY’nin zorlayıcı olmayan koşullar altında yakınsaması
garanti edilmektedir [4]. Hibrit IRWALM [7] az sayıda örneklenmiş veriden çok özellikli verinin gerikazanımı için kullanılan YDÇY tabanlı bir eniyileme yöntemidir (Algoritma
1). Algoritma öncelikle ayrılabilir her fonksiyon φi (·) için
fonksiyonları ayırmaktadır ve her yinelemede Moreau yakınlık
operatörlerini uygulamaktadır:
µ
Ψφ (v) = proxφ(·) (v) = arg min φ(x) + kx − vk22 . (4)
x
2
Daha sonra sonuçlar minimum kareler adımı ile birleştirilmektedir.
Algoritma 1: Hibrit IRWALM
1. Eşitle: k = 0, β0 = 1,
(1)
(2)
(3)
Seç: µ > 0, η ∈ (0, 1), z0 , z0 , z0 ,
(1)
(2)
(3)
d0 , d0 , d0 , p, α1 , α2
2. tekrarla
(1)
(1)
(2)
(2)
(3)
(3)
3. rk = zk + dk + zk + dk + BH zk + dk
4. xk+1 = I + B B
(2)
5. zk+1 = Ψ α1 φ
µ
µ
(3)
rk
(2)
(1)
1
xk+1 − dk
2
xk+1 − dk
(2)
6. zk+1 = Ψ α2 φ
−1
(3)
7. zk+1 = ΨιE(ǫ,I,y) Bxk+1 − dk
(1)
(1)
(1)
8. dk+1 = dk − xk+1 + zk+1
(2)
(2)
(2)
9. dk+1 = dk − xk+1 + zk+1
(3)
(3)
(3)
10. dk+1 = dk − Bxk+1 + zk+1
minimize
x
α1 φ1 (x) + · · · + αm φm (x)
(i) (i)
subject to kB x
burada φi (x) ayrılabilir görüntü ön bilgisini, ǫ veri bağlılığı
hata limitini ifade etmektedir. [2], [6], [7], [10] benzer
gerikazanım problemini hem ℓp -norm (kxkpp ) hem de büyüklüğün Toplam Değişintisini (T V (|x|)) birlikte enküçülterek
yapmaktadır.
H
Her kanalın bir kontrast ağırlığı ile ilintilendirildiği k kanal,
ve m ayrılabilir hedef fonksiyonu için, problem şu şekilde
ifade edilebilir:
11. k ← k + 1
12. ta ki: durma kriteri sağlanana kadar.
Burada ΨιE(ǫ,I,y) (s), kBx − yk2 ≤ ǫ kısıtı ile ilintili
Moreau yakınlık fonksiyonudur, ve ℓ2 -norm hiperküresine
basit bir izdüşüm işlemi olarak uygulanabilir. Ayrıca, yine
− y(i) k2 ≤ ǫi , i ∈ 1, · · · , k
.
(5)
Her hedef fonksiyonu φi ya bir kanala özel ve herhangi
bir xhi ile ilintili bir ifonksiyon, ya da tüm görüntü vektörü
T
x = x(1) · · · x(k)
fonksiyonu olabilir.
T T
vektörünü içeren bir grup seyrekliği
Bu problemin YDÇY kullanılarak çözülmesi için aşağıdaki
YDÇY değişkenleri tanımlanır.
i
∈
1, ·i· · , k kanalları için, z(i)
=
h Bütün
T
T
T
(i) T T
(i,m) T
(i,1)
(i,0)
, ve Gi = [I · · · I (B ) ] .
···z
z
z
G matrisini diyagonallerinde Gi bulunan bir blok-diyagonal
matris olarak tanımlandığında, aşağıdaki problem çözülebilir:
minimize
x,z
f1 (x) + f2 (z)
subject to Gx + Qz − r = 0,
(6)
Q = −I, r = 0, f1 (x) = 0,
Pm
f2 (z)
=
z(i,t) i=1,··· ,k
+
t=1 αt φt
Pk
(i,0)
. Bu tanımlar Gx = z, ve sonuç
i=1 ιE(ǫi ,I,y(i) ) z
(i,t)
olarak: x(i) = zt=1,··· ,m , and B(i) x(i) = z(i,0) kısıtlarını
sağlar.
Bu tanımlar, grup seyrekliği, renk toplam değişintisi gibi
grup fonksiyonlarının yanısıra, ℓ1 -norm ve toplam değişinti
gibi ayrı hedef fonksiyonlarının da kullanımına imkan sağlamaktadır. YDÇY’nin adımları izlendiğinde, Algoritma 2’ye
ulaşılabilir.
Burada par-tekrar algoritmanın birbirinden bağımsız
olarak tekrarlanabilen adımlarını ifade etmektedir. Burada
bütün i değerleri için, 4,5, ve 6 numaralı adımlar paralel olarak
hesaplanabilir. Ayrıca, [7]’de gösterildiği gibi, MRG’deki gibi
kısmi-Fourier gözlemleri için 4. adım (7) kullanılarak hızlı
hesaplanabilir.
−1
1
1
(i) H (i)
(i) H (i)
mI + (B ) B
=
I−
.
(B ) B
m
m+1
(7)
Algoritma 2: Çok Kanallı Hibrit YDÇY
Renk toplam değişintisi [8], şu şekilde tanımlanmıştır:
v
u k
X uX
t (∆ x(i) )[a, b]2 + (∆ x(i) )[a, b]2 .
CT V (x) =
1 t
2 t
1. Bütün i ∈ 1, · · · , k ve t ∈ 0, · · · , m için,
(i,t)
Eşitle: n = 0, Seç: µ > 0, z0
(i,t)
, d0
, αt
2. tekrarla
a,b
3. par-tekrar i = 1, · · · , k
(i)
xn+1
4.
= mI + (B(i) )H B
Pm
t=1
(i,t)
(i,t)
dn
+ zn
+ BH d(i,0)
+ z(i,0)
n
n
5.
(i,0)
zn+1
6.
dn+1 = d(i,0)
− B(i) xn+1 + zn+1
n
= Ψι
E ǫ,I,y(i)
(i,0)
B(i) x(i) − d
(i)
(0)
(i,0)
Renk toplam değişintisi için, Chambolle [11] tarafından önerilen enküçültme algoritması kullanılmaktadır ve bu algoritma
yakınsayana kadar değil sabit sayıda bir iterasyon sayısında
çalıştırılmaktadır. Böylece, çözülen problem aşağıdaki gibi
ifade edilebilir:
7. par-tekrar sonu
minimize
8. par-tekrar t = 1 , · · · , m
9.
10.
(i,t)
zn+1
i=1,··· ,k
(i,t)
(i,t)
dn+1 = dn
−
= Ψφ
(i)
αt
t µ
(i,t)
xn+1
(t,i)
− dn
i=1,··· ,k
(i,t)
xn+1 + zn+1 , bütün t,i için
x
IV.
12. n ← n + 1
13. ta ki durma kriteri sağlanana kadar...
x ve Bx hesaplanması (9) ve (10) kullanılarak daha da
hızlandırılabilir.
q(i)
n =
m
X
+ z(i,t)
d(i,t)
n
n .
(8)
t=1
(i)
B(i) xn+1
1
1
=
q(i) +
(B(i) )H ·
m n
m+1
i
− Bqn ,
m d(i,0)
+ z(i,0)
n
n
i
1 h (i) (i) (i,0)
=
.
B qn + dn + z(i,0)
n
m+1
α1 kxk2,p + αCT V CTV (x)
(i) (i)
subject to kB x
11. par-tekrar sonu
(i)
xn+1
i=1
(13)
(i) −1
(9)
(10)
Böylece, algoritma yineleme başına 2 hızlı Fourier dönüşümü
işlemi ile gerçeklenebilir. Dışbükey bir φi ile kullanıldığında
algoritmanın yakınsama garantisi bulunacaktır.
B. MRG’ye Uygulanması
Çoklu-kontrast MRG için, daha önceki bir uygulamada
Renkli Toplam Değişinti (CTV) ve bir dönüşüm uzayında grup
seyreklik fonksiyonu kullanılmıştır [1]. Burada önerilen yöntemle algoritmanın daha hızlı gerçeklenmesi sağlanmaktadır.
Altta yatan anatominin aynı oluşundan kaynaklı olarak,
farklı kontrasta sahip görüntülerin bir dönüşüm uzayında benzer seyreklik terimlerine sahip olması beklenmektedir. Grup
seyrekliği, farklı görüntülerde aynı konumlardaki seyrekliği
birlikte öne çıkarır. Yukarıdaki notasyonu kullanarak, burada
“grup” tanımını farklı görüntülerde aynı konumlarda bulunan
pikseller, yani şu şekilde yapabiliriz:
h
iT
xt = x(1) [t] · · · x(k) [t] .
(11)
− y(i) k2 ≤ ǫi , i ∈ 1, · · · , k
. (14)
S ONUÇLAR
Algoritma 2, Chambolle izdüşümü işlemi mex fonksiyonundan çağırılarak MATLAB’da gerçeklenmiştir. Deneyler
Intel Xeon E5-2650 v2 işlemcili ve 64 GB RAM’e sahip bir
iş istasyonunda yapılmıştır. Başlangıçta zi,t
0 vektörleri sıfırladoldurulmuş görüntü gerikazanımlarına eşitlenmiştir, bütün
t = 1, · · · , m, zi,0
= y(i) için zi,t
= (B(i) )H y(i) ve
0
0
i,t
bütün Lagrange değişkenleri d0 sıfır vektörlerine eşitlenmiştir. Simülasyonlar çalıştırılmadan önce bütün görüntüler
[0, 255] arasına normalize edilmiştir ve µ hızlı ve doğru yakınsama için 0.1/256 olarak seçilmiştir. Her yinelemede µ, [4]’ün
önerdiği üzere daha iyi bir yakınsama için 1.02 ile çarpılmıştır.
Durma kriteri “maksimum yineleme sayısına ulaşılana kadar
(i)
(i)
veya kxk+1 − xk k22 < 10−3 ” olarak seçilmiştir.
İlk olarak, Monte Carlo benzetimleri FCSA-MT [1], ayrık
Hibrit YDÇY [7], ve önerilen yöntem üzerinde farklı örnekleme şablonları kullanılarak koşturulmuştur. İki farklı gerçekdeğerli görüntü veri kümesi kullanılmıştır: %12.5 ve %6.25’i
örneklenen bir beyin silüeti (BS) benzetimi ve %25 ve %6.25’e
örneklenen SRI atlas (SR) görüntüsü [1]. Bütün deneyler için
üç kanal da eşit ölçüde alt örneklenmiştir. α1 ve αCT V için
daha önce FCSA-MT’de seçilen sırasıyla 0.0173 ve 0.0606
değerleri kullanılmıştır [1]. ǫ için ise, hiç bir RF uyarılması
olmadan yapılan bir MRG veri edinmesi simüle edilerek
gürültü verisi toplanmış, ve ǫ toplanan verinin ℓ2 -normuna
eşitlenmiştir. Uygun bir karşılaştırma için yayınlanan FCSAMT kodu kullanılmış ve maksimum iterasyon sayısı FCSAMT’nin çalışma süresine eşit olacak şekilde seçilmiştir. Bu sayı
önerilen yöntem için 200 olmuştur.
(12)
Tablo 1’de farklı algoritma ve parametreler için pSNR
değerleri gösterilmektedir. Tabloda görüldüğü üzere, en yüksek başarım önerilen algoritma tarafından elde edilmiştir.
Ayrık kanal gerikazanımı yüksek alt-örneklemeden dolayı kötü
performansa sahip olmaktadır. Şekil 1 (a) ve (b)’de farklı
alt örnekleme şablonları için pSNR değerinin ortalaması ve
varyansı %12.5 ve %6.25’lik BS verisi için gösterilmektedir.
pSNR’daki yüksek varyans, başarımdaki belirsizliği arttırdığı
için istenmemektedir. Bu durumda da, önerilen algoritma en
düşük varyans ve en yüksek ortalamaya sahip olduğu için en
iyi başarımı elde etmiştir.
Burada tüm işlemler eleman üzerindendir ve hızlı bir şekilde
gerçeklenebilir.
Şekil 2’de %12.5’lik alt örnekleme için BS gerikazanım
sonuçları gösterilmektedir. FCSA-MT ile ayrık YDÇY’nin
kıyası, birlikte gerikazanımın çoklu-kontrast görüntü için
O zaman ilgili yakınlık fonksiyonu şu şekilde tanımlanabilir:
S1 (xt , α) =
xt
max {0, kxt k2 − α} .
kxt k2
Ratio
12.5%
6.25%
25%
6.25%
Önerilen
31.42
21.43
47.52
33.98
FCSA-MT
22.71
14.73
44.65
12.58
ayrık YDÇY
18.83
14.67
37.73
17.58
(b)
Şekil 1: Monte-Carlo benzetim sonuçlarına göre pSNR değerlerinin ortalama ve varyans grafikleri
görüntü kalitesi üzerindeki etkiyi göstermektedir. Bu hızlandırma faktöründe, görüntü kalitesi ve çözünürlük düşmekte
ve görüntüdeki bozulmalar doku sınırlarını gölgelemektedir:
ok ile gösterilmiş örnek bölgelerde doku ayrımları daha az
belirgindir. Dahası, diğer yöntemlerde düşük çözünürlükten
kaynaklı hatalar bulunmaktadır. Önerilen metod yalnızca farklı
doku tipleri arasındaki kontrastı korumakla kalmayıp, arka
planda bulunan gürültünün en aza indirgenmesinde de pSNR
açısından (tablo 1) değerlendirildiğinde daha iyi bir performans
elde etmiştir.
V.
TARTI ŞMA
Bu çalışma YDÇY tabanlı hesapsal olarak verimli bir
çoklu-kontrast görüntü gerikazanım problemi için bir algoritmayı sunmaktadır. Algoritma sıkıştırılmış çok-karşıklıklı MRG
verisi üzerinde gösterilmiş ve hem ayrık YDÇY [7] hem de
FCSA-MT [1] ile kıyaslanmıştır. YDÇY tabanlı algoritmanın
özellikle çok az veri ile hem algoritmayı hızlandırdığı hem
de pSNR açısından iyileşme sağladığı gösterilmiştir. Çoklukontrast görüntülere ihtiyaç duyulduğu durumlarda bilinen
yöntemlerden çok daha kısa sürede görüntülemenin tamlamlanmasının önü açılmıştır. Bu yöntem çoklu-kontrast MRG için
gösterilmiş olmasına rağmen, herhangi bir çok-kanallı/çoklukontrast gerikazanım problemi için kullanılabilir.
K AYNAKÇA
[1]
[2]
Huang, J., Chen, C., Axel, L. (2014). Fast multi-contrast MRI reconstruction. Magnetic Resonance Imaging, 32(10), 1344–1352.
Lustig, M., Donoho, D., Pauly, J.M. (2007). Sparse MRI: The application
of compressed sensing for rapid MR imaging. Magnetic Resonance in
Medicine, 58(6),1189–1195.
Önerilen
(a)
FCSA-MT
ayrık YDÇY
Data
BS
BS
SR
SR
Referans
Tablo I: dB cinsinden ortalama pSNR değerleri
Şekil 2: Soldan Sağa Kanallar: Proton Yoğunluğu (PY), T1ağırlıklı (T1a), T2-ağırlıklı (T2a) görüntüleri, tüm verinin
%12.5’i bulunan BS görüntüleri
[3]
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
Cukur, T., Lustig, M., Saritas, E. U., Nishimura, D.G. (2011). Signal
Compensation and Compressed Sensing for Magnetization-Prepared MR
Angiography. IEEE Transactions on Medical Imaging, 30(5), 1017–1027.
Boyd, S., Parikh, N., Chu, E., Peleato, B., Eckstein, J. (2011). Distributed
Optimization and Statistical Learning via the Alternating Direction
Method of Multipliers. Found. Trends Mach. Learn., 3(1), 1–122.
Afonso, M. V., Bioucas-Dias, J. M., Figueiredo, M. A. T. (2011).
An Augmented Lagrangian Approach to the Constrained Optimization
Formulation of Imaging Inverse Problems. Trans. Img. Proc., 20(3), 681–
695.
Guven, H. E., Cetin, M. (2014). An Augmented Lagrangian method
for sparse SAR imaging. Paper presented at Synthetic Aperture Radar
(EUSAR 2014), 10th European Conference on.
Guven, H. E., Gungor, A., Cetin, M. (2015, 27-30 Sept. 2015). An
Augmented Lagrangian Method for image reconstruction with multiple
features. Paper presented at the Image Processing (ICIP), 2015 IEEE
International Conference on.
Bresson, X., Chan, T. F. (2008). Fast Dual Minimization of The Vectorial
Total Variation Norm and Applications to Color Image Processing.
Inverse Problems and Imaging, 2(4), 455–484.
Aujol, J.-F. (2009). Some First-Order Algorithms for Total Variation
Based Image Restoration. Journal of Mathematical Imaging and Vision,
34(3), 307–327.
Cetin, M., Karl, W. C. (2001). Feature-enhanced synthetic aperture radar
image formation based on nonquadratic regularization. Image Processing,
IEEE Transactions on, 10(4), 623–631.
Chambolle, A. (2005). Total variation minimization and a class of binary
MRF models. Paper presented at the Proceedings of the 5th international
conference on Energy Minimization Methods in Computer Vision and
Pattern Recognition, St. Augustine, FL.