换一批基于小波域稀疏贝叶斯学习的非确定性MRI重建
Wavelet-domain sparse Bayesian learning for uncertainty-aware MRI reconstruction
摘要磁共振成像(MRI)全采样扫描时间长,既制约检测效率,还易因受检者移动产生运动伪影.针对传统压缩感知MRI(CS-MRI)重建方法参数敏感性高、无法量化结果不确定性等问题,提出一种基于小波域稀疏贝叶斯学习(SBL)的非确定性MRI重建方法BU-MRI(Bayesian Uncertainty-guided MRI).首先利用小波变换对图像进行多分辨率表征的优势,通过刻画MRI图像在小波域中的稀疏性作为先验,构建一个分层贝叶斯概率模型.其次,采用吉布斯(Gibbs)采样与边际似然最大化相结合的后验推断策略,实现对高维稀疏系数的有效估计与超参数的自适应更新.最后,基于更新后的模型参数,从欠采样的K空间数据中迭代恢复出高质量图像.此外,该方法还能够输出像素级的后验置信区间,为重建结果提供定量化的不确定性评估.仿真与真实MRI数据上的实验结果表明,BU-MRI方法的峰值信噪比(PSNR)与结构相似性指数(SSIM)优于零填充逆离散傅里叶变换(ZF-IDFT)和k-t鲁棒主成分分析(k-t RPCA)等方法;而且在真实心脏MRI数据和大脑MRI数据上,当采样率为0.5时,BU-MRI重建数据的PSNR分别达到44.42 dB和40.37 dB,SSIM分别达到0.976 5和0.954 7.BU-MRI方法在结构保真、误差抑制与频域一致性上表现优异,在不同采样率与噪声水平下收敛稳定且鲁棒性良好,能为临床MRI提供可靠且具备不确定性量化能力的重建框架.
更多相关知识
关键词
磁共振成像稀疏贝叶斯学习图像重建小波变换不确定性量化贝叶斯推断Magnetic Resonance Imaging(MRI)Sparse Bayesian Learning(SBL)image reconstructionwavelet transformuncertainty quantificationBayesian inference
栏目名称
DOI
10.11772/j.issn.1001-9081.2025101275
发布时间
2026-06-04（万方平台首次上网日期，不代表论文的发表时间）
- 浏览1
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
