动态MRI图像重建：结合张量奇异值分解与全变分稀疏模型

"基于张量奇异值分解的动态核磁共振图像重建" 在医学成像领域，核磁共振成像（MRI）是一种非侵入性的诊断技术，能够提供高分辨率的体内组织图像。动态MRI（dMRI）则进一步允许观察随时间变化的生理过程，如血液流动或代谢活动。然而，由于采集数据的限制，动态MRI图像重建通常面临噪声和模糊问题，影响图像质量和分析的准确性。 针对这一问题，本文提出了一种创新的动态MRI图像重建算法，结合了张量奇异值分解（t-SVD）和全变分（Total Variation, TV）稀疏模型。张量奇异值分解是多维数据处理的一种工具，它能捕获数据的内在结构并进行降维，有助于去除噪声和恢复图像的低秩特性。全变分模型则用于保持图像边缘的连续性和抑制噪声，通过引入稀疏变化基，可以进一步增强图像细节的保留。 该算法首先对动态MRI序列应用t-SVD进行低秩约束，通过设定阈值来去除噪声和冗余信息。然后，利用TV模型对处理后的数据进行优化，通过寻找局部最小变化来实现图像的平滑和去噪。这两种方法的结合使得算法在保持图像细节的同时，能有效地去除噪声和模糊，从而提高重建图像的质量。 实验结果显示，与传统的全变分方法、k-t SLR方法以及单独使用t-SVD相比，提出的t-SVD与TV结合的算法在相同采样率下表现更优。在峰值信噪比（PSNR）、均方差（MSE）和结构相似性度量（SSIM）等关键评价指标上，该算法均有显著提升。这表明，该方法不仅提高了图像的清晰度，还有助于准确地捕捉动态过程中的微小变化，对临床诊断和研究具有实际应用价值。 这篇研究论文贡献了一种新的动态MRI图像重建策略，通过集成t-SVD和TV的优点，提高了图像质量和分析的可靠性。这对于改善医学成像特别是动态过程的监测具有重要意义，有望在未来的医学成像技术发展中发挥重要作用。