基于压缩感知的MRI图像稀疏采样重建MATLAB代码实现

资 源 简 介

本MATLAB项目通过随机欠采样K空间数据，结合非线性重建算法恢复高质量MRI图像，验证压缩感知理论在医学影像加速采集中的有效性，复现2007年论文"Sparse MRI"的核心方法。

详 情 说 明

基于压缩感知的MRI图像稀疏采样重建系统

项目介绍

本项目实现了MRI图像的压缩采样与稀疏重建，通过随机欠采样K空间数据，结合非线性重建算法恢复高质量图像。系统复现了2007年里程碑论文《Sparse MRI: The Application of Compressed Sensing for Rapid MR Imaging》的核心方法，旨在验证压缩感知理论在医学影像加速采集中的有效性。通过显著减少K空间采样数据量（如30%采样），仍能重建出诊断质量的MRI图像，为快速医学成像提供技术支撑。

功能特性

• 压缩采样模拟：支持生成随机采样、径向采样等多种K空间欠采样掩码
• 稀疏变换：集成小波变换（Daubechies系列）、离散余弦变换（DCT）等多种稀疏基
• 非线性重建：采用迭代阈值算法进行L1正则化优化重建
• 质量评估：提供重建误差曲线、信噪比（SNR）等定量指标计算
• 可视化对比：生成原始图像、采样掩码、重建结果的对比展示图

使用方法

1. 数据准备：准备全采样MRI K空间数据（复数矩阵格式）
2. 参数设置：在配置文件中指定采样率、稀疏基类型、正则化参数等
3. 执行重建：运行主程序启动压缩感知重建流程
4. 结果分析：查看输出的重建图像、误差指标和可视化对比图

典型参数配置：

• 采样率：20%-50%
• 稀疏基：DWT（小波基，如'db4'）或DCT
• 正则化参数λ：0.01-0.1
• 最大迭代次数：50-100

系统要求

• MATLAB R2018b或更高版本
• 必要工具箱：信号处理工具箱、小波工具箱
• 内存：≥4GB（用于处理标准2D MRI数据）
• 推荐配置：8GB内存（用于处理3D体积数据）

文件说明

主程序文件实现了系统的核心功能流程，包括K空间数据的读取与欠采样模拟、稀疏变换字典的构建、基于L1正则化的迭代重建算法执行、重建质量指标的计算与评估，以及最终结果的可视化输出。该文件整合了压缩感知MRI重建的完整 pipeline，从原始数据输入到重建结果生成的全过程均由其协调完成。