針對利用稀疏角度投影數據實現優質CT圖像重建的問題,提出了一種改進的基于選擇性圖像全變差(TV)約束的快速迭代重建算法。該算法采用兩相式重建策略,首先利用代數重建算法(ART)重建中間圖像并進行非負性約束,然后采用選擇性TV最小化對上述圖像進行優化修正,兩步交替進行直到滿足某一收斂準則。為了進一步提升算法效能,該算法在迭代過程中應用快速收斂技術加快算法收斂。應用該算法對仿真的Sheep-Logan體模進行重建,實驗結果表明,該算法不僅提高了圖像的重建質量,保護了圖像的邊緣信息,而且顯著加快了迭代重建的收斂速度。
基于靜息態功能磁共振成像（fMRI）構建腦功能網絡是揭示人腦運作機制的有效手段，但是目前常見的腦功能網絡普遍包含大量噪聲從而導致錯誤的分析結果。本文使用壓縮感知中的最小絕對值收縮和選擇算子（LASSO）模型對腦功能網絡進行降噪重建，該模型利用 L1 范數懲罰項的稀疏性避免過擬合問題。然后，通過快速迭代閾值收縮算法（FISTA）求解，該算法在每一次迭代中通過一個收縮閾值操作來更新變量，從而收斂到全局最優解。實驗結果表明：與其他幾種方法相比，該方法可以將腦功能網絡降噪重建的準確率提高到 98% 以上，有效地抑制了噪聲，有助于即使在噪聲環境下也能很好地探索人腦的功能。