基于全变分扩展方法的压缩感知磁共振成像算法研究

针对全变分算法在压缩感知磁共振成像(CS-MRI)重构过程中存在"阶梯效应"的问题,该文研究3种基于全变分扩展方法的CS-MRI成像算法,即高阶全变分、总广义变分和组合稀疏全变分,并将其与平移不变离散小波稀疏基相结合,建立稀疏模型,采用快速复合分裂算法求解CS-MRI重构的凸优化问题。同时,讨论了全变分及其扩展方法对两种不同磁共振图像数据和径向欠采样模式重构CS-MRI的精度。实验结果表明,基于全变分扩展的重构算法能有效解决全变分重建中存在阶梯效应的缺点;另外,相比高阶全变分和总广义变分重构算法,组合稀疏全变分方法具有更好的重建效果,获得更高重构信噪比。