基于小波域稀疏贝叶斯学习的非确定性MRI重建

doi:10.11772/j.issn.1001-9081.2025101275

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (5): 1634-1646.DOI: 10.11772/j.issn.1001-9081.2025101275

• 前沿与综合应用 • 上一篇

基于小波域稀疏贝叶斯学习的非确定性MRI重建

崔凯燕, 魏舒娜()

山西大学数学与统计学院，太原 030006

收稿日期:2025-10-31 修回日期:2026-01-18 接受日期:2026-01-20 发布日期:2026-01-29 出版日期:2026-05-10
通讯作者: 魏舒娜
作者简介:崔凯燕（1992—），女，山西长治人，讲师，博士，主要研究方向：贝叶斯统计、医学图像处理
基金资助:
国家自然科学基金资助项目(12201370)

Wavelet-domain sparse Bayesian learning for uncertainty-aware MRI reconstruction

Kaiyan CUI, Shuna WEI()

School of Mathematics and Statistics，Shanxi University，Taiyuan Shanxi 030006，China

Received:2025-10-31 Revised:2026-01-18 Accepted:2026-01-20 Online:2026-01-29 Published:2026-05-10
Contact: Shuna WEI
About author:CUI Kaiyan， born in 1992， Ph. D.， lecturer. Her research interests include Bayesian statistics， medical image processing.
Supported by:
National Natural Science Foundation of China(12201370)

摘要/Abstract

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。

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

Abstract:

Full-sampling Magnetic Resonance Imaging （MRI） requires a long scan time， which not only limits the examination efficiency， but also tends to induce motion artifacts due to subject movement. To address the issues of high parameter sensitivity and inability to quantify result uncertainty in traditional Compressed Sensing MRI （CS-MRI） reconstruction methods， an uncertainty-aware MRI reconstruction method based on wavelet-domain Sparse Bayesian Learning （SBL） was proposed， namely BU-MRI （Bayesian Uncertainty-guided MRI）. Firstly， the advantage of the wavelet transform in multi-resolution image representation was leveraged， and a hierarchical Bayesian probability model was constructed by characterizing the sparsity of MRI images in the wavelet domain as a prior. Secondly， a posterior inference strategy combining Gibbs sampling and marginal likelihood maximization was adopted to achieve effective estimation of high-dimensional sparse coefficients and adaptive hyperparameters updating. Finally， based on the updated model parameters， high-quality images were iteratively reconstructed from undersampled K-space data. Furthermore， pixel-wise posterior confidence intervals could be provided， offering a quantitative assessment of uncertainty in the reconstruction results. Experimental results on both simulated and real MRI data demonstrated that BU-MRI outperformed methods such as Zero-Filled Inverse Discrete Fourier Transform （ZF-IDFT） and k-t Robust Principal Component Analysis （k-t RPCA） in terms of Peak Signal-to-Noise Ratio （PSNR） and Structural Similarity Index Measure （SSIM）. On real cardiac MRI data and brain MRI data with a sampling rate of 0.5， the PSNR of BU-MRI achieved 44.42 dB and 40.37 dB， and SSIM reached 0.976 5 and 0.954 7， respectively. BU-MRI exhibits excellent performance in structural fidelity， error suppression， and frequency-domain consistency. It shows stable convergence and robustness across various sampling rates and noise levels， providing a reliable reconstruction framework with uncertainty quantification capability for clinical MRI.

Key words: Magnetic Resonance Imaging (MRI), Sparse Bayesian Learning (SBL), image reconstruction, wavelet transform, uncertainty quantification, Bayesian inference

中图分类号:

TP391.41

崔凯燕, 魏舒娜. 基于小波域稀疏贝叶斯学习的非确定性MRI重建[J]. 计算机应用, 2026, 46(5): 1634-1646.

Kaiyan CUI, Shuna WEI. Wavelet-domain sparse Bayesian learning for uncertainty-aware MRI reconstruction[J]. Journal of Computer Applications, 2026, 46(5): 1634-1646.

图/表 16

表1 主要符号说明

Tab. 1 Description of main symbols

符号	含义
$x$	真实图像数据向量化后的列向量
$y$	原始的观测数据向量
$m a s k$	K空间欠采样掩码矩阵
$A, B$	线性变换矩阵
$n$	噪声矩阵
$F$	傅里叶变换矩阵
$W$	小波变换矩阵
$Y$	完整K空间数据
$m$	掩码向量化后的列向量
$X$	真实图像数据矩阵
$ε$	观测到的噪声向量
$Φ$	传感矩阵
$α$	先验分布的超参数向量
$Δ$	超参数向量构成的对角精度矩阵
$Λ$	分块的先验精度矩阵
$δ$	中间计算变量，正比于传感矩阵的共轭转置与观测向量的乘积
$μ ̂ x$	后验均值向量
$Σ ̂ x$	后验协方差矩阵对角线元素
$I$	单位阵

表1 主要符号说明

Tab. 1 Description of main symbols

符号	含义
$x$	真实图像数据向量化后的列向量
$y$	原始的观测数据向量
$m a s k$	K空间欠采样掩码矩阵
$A, B$	线性变换矩阵
$n$	噪声矩阵
$F$	傅里叶变换矩阵
$W$	小波变换矩阵
$Y$	完整K空间数据
$m$	掩码向量化后的列向量
$X$	真实图像数据矩阵
$ε$	观测到的噪声向量
$Φ$	传感矩阵
$α$	先验分布的超参数向量
$Δ$	超参数向量构成的对角精度矩阵
$Λ$	分块的先验精度矩阵
$δ$	中间计算变量，正比于传感矩阵的共轭转置与观测向量的乘积
$μ ̂ x$	后验均值向量
$Σ ̂ x$	后验协方差矩阵对角线元素
$I$	单位阵

图1 径向采样图

Fig. 1 Radial sampling diagram

表2 仿真数据集图像在不同噪声及采样率下的PSNR与SSIM对比

Tab. 2 Comparison of PSNR and SSIM for simulated image dataset at different noise levels and sampling rates

高斯噪声标准差	采样率p=0.20		采样率p=0.25		采样率p=0.30		采样率p=0.40		采样率p=0.50
高斯噪声标准差	PSNR/dB	SSIM	PSNR/dB	SSIM	PSNR/dB	SSIM	PSNR/dB	SSIM	PSNR/dB	SSIM
$10 - 2$	28.75	0.465 0	29.99	0.495 8	31.01	0.523 1	32.15	0.541 7	33.20	0.558 2
$10 - 3$	28.87	0.475 1	30.23	0.511 3	31.20	0.537 9	32.54	0.574 3	34.02	0.610 1
$10 - 4$	28.58	0.463 9	30.17	0.510 5	31.02	0.526 9	32.57	0.575 5	33.95	0.607 2

表2 仿真数据集图像在不同噪声及采样率下的PSNR与SSIM对比

Tab. 2 Comparison of PSNR and SSIM for simulated image dataset at different noise levels and sampling rates

高斯噪声标准差	采样率p=0.20		采样率p=0.25		采样率p=0.30		采样率p=0.40		采样率p=0.50
高斯噪声标准差	PSNR/dB	SSIM	PSNR/dB	SSIM	PSNR/dB	SSIM	PSNR/dB	SSIM	PSNR/dB	SSIM
$10 - 2$	28.75	0.465 0	29.99	0.495 8	31.01	0.523 1	32.15	0.541 7	33.20	0.558 2
$10 - 3$	28.87	0.475 1	30.23	0.511 3	31.20	0.537 9	32.54	0.574 3	34.02	0.610 1
$10 - 4$	28.58	0.463 9	30.17	0.510 5	31.02	0.526 9	32.57	0.575 5	33.95	0.607 2

图2 仿真数据集图像上BU-MRI在不同噪声水平和采样率下的PSNR与SSIM

Fig. 2 PSNRs and SSIMs of BU-MRI on simulated image dataset at different noise levels and sampling rates

图3 仿真数据集图像上像素后验置信区间的BU-MRI重建不确定性量化

Fig. 3 Uncertainty quantification of BU-MRI reconstruction using pixel-wise posterior confidence intervals on simulated image datasets

图4 仿真数据集图像上BU-MRI在不同采样率与噪声水平下PSNR和SSIM的迭代收敛曲线

Fig. 4 Iteration convergence curves of PSNR and SSIM for BU-MRI on simulated image dataset at different sampling rates and noise levels

图5 仿真数据集图像上不同方法的仿真图像重建对比

Fig. 5 Reconstruction comparison of simulated images by different methods on simulated image dataset

图6 仿真数据集图像上不同方法在多种噪声水平下的残差热力图对比

Fig. 6 Comparison of residual heatmaps obtained by different methods under multiple noise levels on simulated image dataset

图7 BU-MRI在真实心脏MRI图像上的PSNR与SSIM随采样率变化

Fig. 7 PSNR and SSIM vs. sampling rate for BU-MRI method on real cardiac MRI images

表3 真实心脏MRI图像上不同方法的性能对比

Tab. 3 Performance comparison of different methods on real cardiac MRI images

方法	p=0.20		p=0.25		p=0.30		p=0.40		p=0.50
方法	PSNR/dB	SSIM	PSNR/dB	SSIM	PSNR/dB	SSIM	PSNR/dB	SSIM	PSNR/dB	SSIM
ZF-IDFT	30.30	0.767 4	32.16	0.821 5	34.43	0.871 9	37.74	0.913 3	39.92	0.951 8
k-t RPCA	33.93	0.916 5	35.32	0.938 6	37.67	0.947 8	38.47	0.952 5	38.72	0.953 2
TNN	34.42	0.934 3	36.68	0.950 2	37.16	0.954 9	40.18	0.967 2	41.64	0.972 7
MNN	27.60	0.846 5	30.40	0.900 0	34.64	0.953 8	35.92	0.962 5	35.85	0.957 0
TMNN	35.46	0.953 6	37.02	0.961 1	36.46	0.961 1	39.09	0.970 5	40.47	0.975 2
BU-MRI	33.31	0.770 6	35.79	0.858 1	37.93	0.908 6	41.41	0.956 3	44.42	0.976 5

图8 不同方法对真实心脏MRI图像的重建对比

Fig. 8 Reconstruction comparison of real cardiac MRI images by different methods

图9 真实心脏MRI图像上不同方法在p=0.50时的残差热力图对比

Fig. 9 Comparison of residual heatmaps by different methods on real cardiac MRI images with p=0.50

表4 不同欠采样比例下DIFF-MRI与BU-MRI的大脑MRI重建性能对比

Tab. 4 Comparison of brain MRI reconstruction performance between DIFF-MRI and BU-MRI at different undersampling rates

p	DIFF-MRI		BU-MRI
p	PSNR/dB	SSIM	PSNR/dB	SSIM
0.20	32.18	0.904 3	31.16	0.744 6
0.25	33.14	0.916 8	33.03	0.819 5
0.30	34.06	0.926 5	34.47	0.861 9
0.40	35.67	0.940 2	37.30	0.919 3
0.50	36.73	0.948 2	40.37	0.954 7

图10 不同欠采样比例下DIFF-MRI与BU-MRI的大脑MRI重建对比

Fig. 10 Comparison of brain MRI reconstruction between DIFF-MRI and BU-MRI at different undersampling rates

图11 不同欠采样比例下DIFF-MRI与BU-MRI的大脑MRI重建残差图对比

Fig. 11 Comparison of residual maps for brain MRI reconstruction between DIFF-MRI and BU-MRI at different undersampling rates

表5 不同参数时的性能对比

Tab. 5 Performance comparison of different parameters

$a$	$b$	$c$	$d$	PSNR/dB	SSIM
0	0	$m n / 2 - K$	0	48.26	0.970 4
0	0	$m n / 2 - K$	$10 - 3$	48.14	0.970 1
0	0	$m n - K$	0	45.17	0.940 6
0	0	$m n - K$	$10 - 3$	45.85	0.948 2
0	$10 - 3$	$m n / 2 - K$	0	28.55	0.329 3
0	$10 - 3$	$m n / 2 - K$	$10 - 3$	29.04	0.343 7
0	$10 - 3$	$m n - K$	0	26.66	0.268 0
0	$10 - 3$	$m n - K$	$10 - 3$	26.36	0.259 9
$10 - 3$	0	$m n / 2 - K$	0	47.99	0.968 1
$10 - 3$	0	$m n / 2 - K$	$10 - 3$	48.21	0.970 2
$10 - 3$	0	$m n - K$	0	44.83	0.937 8
$10 - 3$	0	$m n - K$	$10 - 3$	45.59	0.942 6
$10 - 3$	$10 - 3$	$m n / 2 - K$	0	28.85	0.337 6
$10 - 3$	$10 - 3$	$m n / 2 - K$	$10 - 3$	28.72	0.335 3
$10 - 3$	$10 - 3$	$m n - K$	0	26.59	0.269 7
$10 - 3$	$10 - 3$	$m n - K$	$10 - 3$	26.28	0.261 9

表5 不同参数时的性能对比

Tab. 5 Performance comparison of different parameters

$a$	$b$	$c$	$d$	PSNR/dB	SSIM
0	0	$m n / 2 - K$	0	48.26	0.970 4
0	0	$m n / 2 - K$	$10 - 3$	48.14	0.970 1
0	0	$m n - K$	0	45.17	0.940 6
0	0	$m n - K$	$10 - 3$	45.85	0.948 2
0	$10 - 3$	$m n / 2 - K$	0	28.55	0.329 3
0	$10 - 3$	$m n / 2 - K$	$10 - 3$	29.04	0.343 7
0	$10 - 3$	$m n - K$	0	26.66	0.268 0
0	$10 - 3$	$m n - K$	$10 - 3$	26.36	0.259 9
$10 - 3$	0	$m n / 2 - K$	0	47.99	0.968 1
$10 - 3$	0	$m n / 2 - K$	$10 - 3$	48.21	0.970 2
$10 - 3$	0	$m n - K$	0	44.83	0.937 8
$10 - 3$	0	$m n - K$	$10 - 3$	45.59	0.942 6
$10 - 3$	$10 - 3$	$m n / 2 - K$	0	28.85	0.337 6
$10 - 3$	$10 - 3$	$m n / 2 - K$	$10 - 3$	28.72	0.335 3
$10 - 3$	$10 - 3$	$m n - K$	0	26.59	0.269 7
$10 - 3$	$10 - 3$	$m n - K$	$10 - 3$	26.28	0.261 9

参考文献 40

[1]	QUAN T M， JEONG W K. Compressed sensing reconstruction of dynamic contrast enhanced MRI using GPU-accelerated convolutional sparse coding［C］// Proceedings of the IEEE 13th International Symposium on Biomedical Imaging. Piscataway： IEEE， 2016： 518-521.
[2]	SALERNO M， SHARIF B， ARHEDEN H， et al. Recent advances in cardiovascular magnetic resonance techniques and applications［J］. Circulation： Cardiovascular Imaging， 2017， 10（6）： No.e003951.
[3]	LUSTIG M， DONOHO D， PAULY J M. Sparse MRI： the application of compressed sensing for rapid MR imaging［J］. Magnetic Resonance in Medicine， 2007， 58（6）： 1182-1195.
[4]	GAMPER U， BOESIGER P， KOZERKE S. Compressed sensing in dynamic MRI［J］. Magnetic Resonance in Medicine， 2008， 59（2）： 365-373.
[5]	YE J C. Compressed sensing MRI： a review from signal processing perspective［J］. BMC Biomedical Engineering， 2019， 1： No.8.
[6]	LUSTIG M， SANTOS J M， DONOHO D L， et al. k-t SPARSE： high frame rate dynamic MRI exploiting spatio-temporal sparsity［EB/OL］. ［2025-08-26］..
[7]	TANNER J， VARY S. Compressed sensing of low-rank plus sparse matrices［J］. Applied and Computational Harmonic Analysis， 2023， 64： 254-293.
[8]	FENG L， BENKERT T， BLOCK K T， et al. Compressed sensing for body MRI［J］. Journal of Magnetic Resonance Imaging， 2017， 45（4）： 966-987.
[9]	SANDILYA M， NIRMALA S R. Compressed sensing trends in magnetic resonance imaging［J］. Engineering Science and Technology， an International Journal， 2017， 20（4）： 1342-1352.
[10]	LIU Y， CAI J F， ZHAN Z， et al. Balanced sparse model for tight frames in compressed sensing magnetic resonance imaging［J］. PLoS ONE， 2015， 10（4）： No.e0119584.
[11]	STÉPHANE M. A wavelet tour of signal processing： the sparse way［M］. New York： Academic Press， 2009.
[12]	GU H， YAMAN B， MOELLER S， et al. Revisiting ℓ₁-wavelet compressed-sensing MRI in the era of deep learning［J］. Proceedings of the National Academy of Sciences of the United States of America， 2022， 119（33）： No.e2201062119.
[13]	LAI Z， QU X， LIU Y， et al. Image reconstruction of compressed sensing MRI using graph-based redundant wavelet transform［J］. Medical Image Analysis， 2016， 27： 93-104.
[14]	MacKAY D J C. Bayesian interpolation［J］. Neural Computation， 1992， 4（3）： 415-447.
[15]	TIPPING M E. Sparse Bayesian learning and the relevance vector machine［J］. Journal of Machine Learning Research， 2001， 1： 211-244.
[16]	WIPF D P， RAO B D. Sparse Bayesian learning for basis selection［J］. IEEE Transactions on Signal Processing， 2004， 52（8）： 2153-2164.
[17]	TAN X， LI J. Computationally efficient sparse Bayesian learning via belief propagation［J］. IEEE Transactions on Signal Processing， 2010， 58（4）： 2010-2021.
[18]	WAN J， ZHANG Z， YAN J， et al. Sparse Bayesian multi-task learning for predicting cognitive outcomes from neuroimaging measures in Alzheimer's disease［C］// Proceedings of the 2012 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2012： 940-947.
[19]	BABACAN S D， MOLINA R， KATSAGGELOS A K. Bayesian compressive sensing using Laplace priors［J］. IEEE Transactions on Image Processing， 2010， 19（1）： 53-63.
[20]	DONOHO D L. Compressed sensing［J］. IEEE Transactions on Information Theory， 2006， 52（4）： 1289-1306.
[21]	LUSTIG M， DONOHO D L， SANTOS J M， et al. Compressed sensing MRI［J］. IEEE Signal Processing Magazine， 2008， 25（2）： 72-82.
[22]	沈马锐，李金城，张亚，等.基于非凸全变差正则的核磁共振图像重构算法［J］.计算机应用，2020，40（8）：2358-2364.
	SHEN M R， LI J C， ZHANG Y， et al. Magnetic resonance image reconstruction algorithm via non-convex total variation regularization［J］. Journal of Computer Applications， 2020， 40（8）： 2358-2364.
[23]	JUNG H， SUNG K， NAYAK K S， et al. k-t FOCUSS： a general compressed sensing framework for high resolution dynamic MRI［J］. Magnetic Resonance in Medicine， 2009， 61（1）： 103-116.
[24]	JUNG H， YE J C， KIM E Y. Improved k-t BLAST and k-t SENSE using FOCUSS［J］. Physics in Medicine and Biology， 2007， 52（11）： 3201-3226.
[25]	TRÉMOULHÉAC B， DIKAIOS N， ATKINSON D， et al. Dynamic MR image reconstruction-separation from undersampled （k，t）‑space via low-rank plus sparse prior［J］. IEEE Transactions on Medical Imaging， 2014， 33（8）： 1689-1701.
[26]	LU C， FENG J， CHEN Y， et al. Tensor robust principal component analysis with a new tensor nuclear norm［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2020， 42（4）： 925-938.
[27]	ZHANG Y， HU Y. Dynamic cardiac MRI reconstruction using combined tensor nuclear norm and Casorati matrix nuclear norm regularizations［C］// Proceedings of the IEEE 19th International Symposium on Biomedical Imaging. Piscataway： IEEE， 2022： 1-4.
[28]	HECKEL R， JACOB M， CHAUDHARI A， et al. Deep learning for accelerated and robust MRI reconstruction［J］. Magnetic Resonance Materials in Physics， Biology and Medicine， 2024， 37（3）： 335-368.
[29]	ZBONTAR J， KNOLL F， SRIRAM A， et al. fastMRI： an open dataset and benchmarks for accelerated MRI［EB/OL］. ［2025-09-16］..
[30]	BIAN W， TAMILSELVAM Y K. A review of optimization-based deep learning models for MRI reconstruction［J］. AppliedMath， 2024， 4（3）： 1098-1127.
[31]	YAMAN B， HOSSEINI S A H， MOELLER S， et al. Self-supervised learning of physics-guided reconstruction neural networks without fully sampled reference data［J］. Magnetic Resonance in Medicine， 2020， 84（6）： 3172-3191.
[32]	KORKMAZ Y， CUKUR T， PATEL V M. Self-supervised MRI reconstruction with unrolled diffusion models［C］// Proceedings of the 2023 International Conference on Medical Image Computing and Computer-Assisted Intervention， LNCS 14229. Cham： Springer， 2023： 491-501.
[33]	LI X， ZHANG H， YANG H， et al. CS-MRI reconstruction using an improved GAN with dilated residual networks and channel attention mechanism［J］. Sensors， 2023， 23（18）： No.7685.
[34]	邱华禄，蔺素珍，王彦博，等.基于复卷积双域级联网络的欠采样磁共振图像重建算法［J］.计算机应用，2024，44（2）：580-587.
	QIU H L， LIN S Z， WANG Y B，et al. Reconstruction algorithm for undersampled magnetic resonance images based on complex convolution dual-domain cascade network［J］. Journal of Computer Applications， 2024， 44（2）： 580-587.
[35]	WEBBER G， READER A J. Diffusion models for medical image reconstruction［J］. BJR\|Artificial Intelligence， 2024， 1（1）： No.ubae013.
[36]	LIU X， HE J， MI C， et al. Low-rank plus sparse joint smoothing model based on tensor singular value decomposition for dynamic MRI reconstruction［J］. Magnetic Resonance Imaging， 2023， 104： 52-60.
[37]	GONG M， ZHANG G. Non-local tensor sparse representation and tensor low rank regularization for dynamic MRI reconstruction［J］. International Journal of Machine Learning and Cybernetics， 2024， 15（2）： 493-503.
[38]	DEORA P， VASUDEVA B， BHATTACHARYA S， et al. Structure preserving compressive sensing MRI reconstruction using generative adversarial networks［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. Piscataway： IEEE， 2020： 2211-2219.
[39]	CAO J， LIU S， LIU H， et al. MRI reconstruction based on Bayesian group sparse representation［J］. Signal Processing， 2021， 187： No.108151.
[40]	LUO G， BLUMENTHAL M， HEIDE M， et al. Bayesian MRI reconstruction with joint uncertainty estimation using diffusion models［J］. Magnetic Resonance in Medicine， 2023， 90（1）： 295-311.

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

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 16

参考文献 40

相关文章 15

编辑推荐

Metrics

[1]	杨俊, 庞梦雪, 乔立山. 融合时序相关信息的脑功能网络估计与分类[J]. 《计算机应用》唯一官方网站, 2025, 45(5): 1403-1409.
[2]	刘宇, 张鹏程, 张丽媛, 刘祎, 桂志国, 张雪怡, 朱陈一菲, 汤豪威. 基于低秩与全变分联合正则化的低剂量CT图像重建[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 978-987.
[3]	肖海林, 孔祥婷, 王玉, 周迪, 戴晓明. 基于改进奇异值分解和哈尔小波变换的图像水印算法[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 896-903.
[4]	薛雅丽, 徐忠敏, 刘世豪. 基于多级小波残差网络的重力数据去噪方法[J]. 《计算机应用》唯一官方网站, 2025, 45(10): 3336-3341.
[5]	黄颖, 李昌盛, 彭慧, 刘苏. 用于动态场景高动态范围成像的局部熵引导的双分支网络[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 204-213.
[6]	李牧, 骆宇, 柯熙政. 基于调频连续波雷达的人体生命体征检测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1978-1986.
[7]	周景贤, 李希娜. 基于改进卷积神经网络和射频指纹的无人机检测与识别[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 876-882.
[8]	邱华禄, 蔺素珍, 王彦博, 刘峰, 李大威. 基于复卷积双域级联网络的欠采样磁共振图像重建算法[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 580-587.
[9]	沈嫣然, 温昕, 张瑾昊, 张帅, 曹锐, 高保禄. 轻量级多尺度卷积网络的功能磁共振成像脑龄预测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3949-3957.
[10]	叶力硕, 何志学. 融合小波分解的多尺度时间序列异常检测[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3300-3306.
[11]	刘阳, 陆志扬, 王骏, 施俊. 基于自注意力连接UNet的磁共振成像去吉布斯伪影算法[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1606-1611.
[12]	王昊, 王子成, 张超, 马韵升. 基于生成对抗网络的数据不确定性量化方法[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1094-1101.
[13]	樊小宇, 蔺素珍, 王彦博, 刘峰, 李大威. 基于残差图卷积神经网络的高倍欠采样核磁共振图像重建算法[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1261-1268.
[14]	何国欢, 朱江平. WT-U-Net++：基于小波变换的表面缺陷检测网络[J]. 《计算机应用》唯一官方网站, 2023, 43(10): 3260-3266.
[15]	廖光锴, 张正, 宋治国. 基于小波特征与注意力机制结合的卷积网络车辆重识别[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1876-1883.