快速分裂Bregman迭代在全变差正则化SENSE重建中的应用

"基于快速分裂Bregman迭代的全变差正则化SENSE磁共振图像重建 (2014年)" 在并行磁共振成像（Parallel Magnetic Resonance Imaging, MRI）领域，敏感度编码（Sensitivity Encoding, SENSE）技术被广泛应用于提高成像速度，然而，随着加速因子的增加，图像重建的质量会因为病态性问题而下降，表现为信噪比（Signal-to-Noise Ratio, SNR）显著降低。为了解决这一问题，该研究提出了一种基于全变差（Total Variation, TV）正则化的SENSE重建模型，并采用快速分裂Bregman迭代算法进行优化，从而提升图像重建效果。 全变差正则化是一种常用的图像去噪和恢复方法，它能保持图像边缘的清晰度，减少图像的块状效应。在传统的TV正则化中，求解过程可能较为复杂且耗时。快速分裂Bregman迭代算法则提供了一种高效的解决方案，通过将原始问题分解为两个更容易处理的部分，实现了更快的收敛速度和更少的迭代次数。 实验部分，研究者使用了磁共振的体模数据和大脑数据进行了仿真实验。对比传统的TV正则化SENSE重建，该算法表现出了显著的优势：首先，迭代次数减少，意味着计算时间的显著缩短；其次，由于快速的收敛特性，图像重建的精度得到提高；最后，通过有效消除图像中的混叠伪影，提高了图像的信噪比，并降低了归一化均方误差，这意味着重建的图像质量更高，更接近实际的解剖结构。 此外，这篇论文是在2014年1月发表于《东北大学学报（自然科学版）》第35卷第1期，由吴春俐、朱学欢、翟江南和丁山共同完成。该研究得到了中央高校基本科研业务费专项资金资助项目（N100404007）的支持。文章的文献标识码为A，中图分类号为TN911.73，这表明它属于电子技术及信息科学领域的研究成果。 这项研究通过结合全变差正则化和快速分裂Bregman迭代算法，为并行MRI的图像重建提供了新的思路，有效地提升了重建速度和图像质量，对于临床应用和进一步的科研工作具有重要的参考价值。