医学图像重建中常用的正则化分类

在医学图像重建（如 MRI、PET、MPI 等）中，由于设备采集的数据往往不完整且伴随噪声，重建过程通常是一个病态的逆问题。正则化（Regularization）的核心作用是向求解模型中注入"先验知识"，从而引导算法计算出唯一且高质量的图像。

根据先验假设的来源和数学表达方式，医学图像重建中常用的正则化可以系统地分为以下四大类：

1. 基于信号基础统计特征的正则化（范数正则化）

这类方法是最经典的正则化手段，通过直接对图像的像素值或其导数施加数学范数惩罚。

正则化（Tikhonov 正则化）：
- 假设与作用：假设图像信号的整体能量是有限的。它倾向于让能量在像素间均匀分布，从而极其有效地压制高频热噪声的爆发。
- 特点：由于其可导性，计算极快，常用于需要实时成像的算法中（如 MPI 中的 Tik-ART）；但缺点是会带来过度的平滑，导致器官边缘模糊。
正则化（LASSO / 稀疏正则化）：
- 假设与作用：假设图像信号在空间上是"稀疏"的（即大部分区域为 0）。
- 特点：在磁粒子成像（MPI）或血管造影等示踪剂高度集中的成像中，它能充当"特征裁剪机"，完美剥离仪器背景噪声，生成高对比度图像。
全变分正则化（Total Variation, TV）：
- 假设与作用 ：对图像相邻像素的梯度施加惩罚，假设医学图像是"分段平滑"的。
- 特点：它能在熨平器官内部噪声的同时，允许边界处存在断崖式的突变，完美克服了正则化边缘模糊的缺陷，是保边去噪的核心工具。
梯度正则化：
- 特点：比 TV 提供更极致的稀疏约束，能够更精准地描述局部结构信息，在 3D MRI 等场景中极大地提升了对微小纹理和解剖结构的边缘保护能力。

为了综合不同单一正则化的优势，研究人员常将它们结合使用。

融合 LASSO（Fused LASSO）：
- 组合方式 ：将 LASSO（）的绝对稀疏性与 TV 的保边平滑性强强联合。
- 效果：在 3D MPI 重建中，它能在大刀阔斧砍掉背景噪声的同时，保证保留下来的病灶结构内部连贯平滑。例如 TSD（总和差分）算子就是这种复合模型的高效离散化变体。
弹性网络（Elastic Net） ：结合和，在促进稀疏性的同时保持求解稳定。

这类正则化不再局限于相邻像素，而是挖掘图像更深层次的空间自相似性或流形结构。

低秩张量正则化（Low-Rank Tensor, LRT）：
- 假设与作用：利用 3D 或动态医学图像中广泛存在的"非局部自相似性"（如大脑不同切片中相似的组织纹理）。通过将相似的图像块堆叠为张量并施加低秩约束，可以极其有效地剥离随机的莱斯噪声（Rician noise）。
图与流形正则化（Graph / Manifold Regularization）：
- 作用：将图像像素映射为节点，利用图论建立系数间的联系。在 PET 的核化迭代重建（KEM）中，复合图正则化器可以通过平滑核系数来稳定高次迭代，防止噪声发散及伪影生成。

跳出传统的人工数学设计，让算法直接从海量医学数据中"学习"图像的客观物理分布规律。

字典学习（Dictionary Learning）：
- 作用：通过在少量训练数据中提取代表性的"原子（Atoms）"构成特征字典，强制重建图像只能由这些干净的原子稀疏拼接而成。极适用于缺乏大规模数据的低剂量 PET 和低场 MRI 重建。
深度学习隐式先验（Deep Learning Priors）：
- 作用：利用深度神经网络（如 CNN、U-Net 或基于流的可逆网络 FINO）庞大的非线性拟合能力作为隐式正则化器。
- 前沿演进：目前的发展包括将传统物理迭代步骤展开为网络层的"深度展开网络（Deep Unfolding）"，以及利用扫描轨迹数据冗余特性摆脱真实参考图像依赖的"自监督学习（Self-Supervised Learning）"。