图像压缩感知-MRI

资 源 简 介

图像压缩感知-MRI

详 情 说 明

在医学影像领域，MRI扫描通常需要较长的数据采集时间，而压缩感知技术通过利用图像的稀疏性特性，能够从远低于奈奎斯特采样定理要求的少量数据中高质量重建图像。Bregman算法作为一种有效的迭代优化方法，在此类非线性逆问题的求解中展现出独特优势。

传统MRI重建需要完整采集k空间数据，而基于Bregman的压缩感知方法通过联合优化L1正则项（强制稀疏性）和数据保真项，仅需约20-30%的随机欠采样数据即可实现重建。其核心思想是通过引入Bregman距离作为迭代修正项，在保持稀疏约束的同时逐步逼近原始信号。具体实现时，算法交替执行梯度下降步骤（满足数据一致性）和软阈值收缩步骤（保证稀疏表示），这种分裂策略有效解决了非光滑优化问题。

相比传统的CS算法如ISTA，Bregman迭代版本显著加快了收敛速度，尤其适合处理具有复杂结构的生物组织图像。在临床应用中，该方法已成功将脑部扫描时间缩短至传统方法的1/5，同时保留关键的病理特征。当前研究热点包括结合深度学习先验知识改进迭代过程，以及开发适用于动态MRI的时空联合稀疏建模变体。