改进荧光扩散层析成像的组稀疏正则化算法提高重建性能

本文主要探讨了"基于组稀疏正则化的荧光扩散层析成像重建"这一主题，针对荧光扩散层析成像（Fluorescence Diffusion Tomography, FDT）中普遍存在的问题，即荧光光源定位误差较大以及形态学信息不完整，提出了一种创新的算法——GSR-SART（Group Sparse Regularization-based Simultaneous Algebraic Reconstruction Technique）。该算法的关键在于： 1. 利用图像的特性：GSR-SART算法利用了图像的非局部自相似性和局部稀疏性。非局部自相似性意味着在图像的不同位置存在相似的纹理结构，这为构建自适应相似组提供了基础。而局部稀疏性则意味着图像在小范围内通常包含少量的活跃像素，这对于稀疏表示和压缩编码非常有用。 2. 自适应相似组的构造：通过分析图像特征，算法将具有相似特征的像素或区域组成自适应相似组。这些组作为一个基本单元，有助于在重建过程中减少噪声影响，并保持重要的信息结构。 3. 字典学习：接下来，算法学习自适应字典，这一步是基于相似组的统计特性，生成一组能高效捕捉图像数据模式的基向量，每个基向量对应于一种可能的图像特征组合。 4. 目标函数求解：最后，采用迭代收缩阈值算法来优化目标函数，该算法能够在保证重构图像质量和抑制噪声之间找到一个平衡。这种方法通过迭代更新相似组的系数，逐步逼近最优的稀疏表示，从而提高重建质量。 实验结果显示，与现有的先进算法相比，GSR-SART在峰值信噪比（Peak Signal-to-Noise Ratio, PSNR）和方均根误差（Root Mean Square Error, RMSE）等性能指标上表现出显著的优势。这表明，通过引入组稀疏正则化和自适应策略，该方法在处理复杂成像场景时能够提供更精确、更完整的图像重建结果。 本研究对于改善荧光扩散层析成像的精度和稳定性具有重要意义，特别是在生物学和医学成像领域，可以潜在地提升检测和分析效果，为相关应用提供强大的技术支持。