5.3 压缩感知（Compressed Sensing, CS）

5.3 压缩感知：用稀疏性换时间

并行成像的加速上限被线圈几何锁死（通常 2-4 倍），还想再快怎么办？压缩感知换了整个思路：不再让硬件代劳，而是故意漏采——反正大部分医学图像经过某种变换后信息高度集中（稀疏），奈奎斯特式的完整采样买了很多用不上的数据。漏采必然产生混叠伪影，但 Candes、Donoho 与 Lustig 在 2006-2007 年间证明：只要漏采的方式足够"随机"、图像在某个变换域足够"稀疏"，就能用非线性重建把真图从伪影里解出来。时间省 3-10 倍的路由此打开。

三大要件

欠采：采集远少于奈奎斯特要求的数据。不相干采样：这是与并行成像最深的分野。规则漏采（比如每 R 行取 1 行）产生的混叠是结构化的、可预测的，并行成像恰好利用这种规则性；CS 则要求混叠像噪声一样弥散——随机变密度采样（中心密、边缘疏的随机化）让伪影能量摊薄成背景纹理，才有"解出来"的可能。稀疏先验：图像在某个变换域（小波、全变差、低秩矩阵）里大部分系数接近零。重建的目标函数因此写成：最小化 ‖Fx − m‖² + λ·Ψ(x)——第一项要数据保真，第二项要稀疏，λ 是两头的谈判系数。重建是个迭代优化过程，算力开销远超 FFT，这正是 CS 在 GPU 普及后才实用的原因。

与并行成像的组合

现代序列几乎都是 PI + CS 的混搭：先并行成像砍掉一半（利用规则性），再 CS 砍掉另一半（利用随机性），两种机制互不干扰反而互补。组合加速 8-12 倍在心脏电影、头颈血管 MRA、自由呼吸腹部序列里已是常规操作。混搭的账本要合并算：PI 的 G 因子噪声 + CS 的收敛误差 + 欠采本底，三者都随总加速因子上升，λ 的选择直接决定哪类误差占上风。

对图像的影响：伪影的性格变化

CS 改变了伪影的"长相"——这是读图者必须更新的常识。传统欠采伪影是可识别的结构（缠绕、条纹、重影），一眼能看出"这是伪影"；CS 的重建误差表现为类噪声纹理与过度平滑：细小结构的边缘被稀疏先验"格式化"掉，微小病灶可能被误认为噪声压平，而纹理化的误差背景又可能伪装成真实组织。更微妙的是"过拟合伪影"：当 λ 太小（过度信任数据）时混叠残留，λ 太大（过度信任稀疏）时真实细节被惩罚——同一幅图，两种参数给出两种"合理"的答案。CS 图像里"看起来干净"不等于"数据完整"，重建过程本身参与了图像内容的塑造。

一个完整的参数推演案例

背景：冠脉 MRA，自由呼吸导航门控下完整采集需 12 分钟，临床依从性差。操作：三维径向轨迹（天然伪随机，角度黄金角递增）+ 1D GRAPPA ×2 + CS（全变差主导，血管结构沿血管方向高度平滑）总加速 8 倍，采集时间压到约 4.5 分钟；变密度设计让 K 空间中心（血管对比度所在）几乎全采，外围 75% 漏采。结果：冠脉主干与主要分支显示完整，与全采对照的模拟数据相比，远端细小分支有轻度平滑，评估者未见结构化伪影。解读：径向轨迹的不相干性、中心的密集保护、全变差对血管"细长平滑"先验的匹配，三件事共同成立才有这个结果——CS 的成功是"采样轨迹、加速组合、图像先验"三位一体的匹配，不是算法单打独斗。变式：若图像换成纹理复杂的肝脏实质（稀疏性差），同样的 8 倍加速会让重建明显失真——稀疏性是 CS 的原材料，材料不行，算法再好也无米下锅。

边界与坑

第一个坑：把重建图像当原始数据。CS 图像是优化问题的解，不是傅里叶逆变换的直译；对比研究、定量测量使用 CS 时必须报告算法与参数，同一数据不同重建可以得出不同结论。第二个坑：低估先验的"创造力"。稀疏先验会补出"看起来很合理"的结构，微小病灶的假阴性率需要专门验证——这是 CS 序列临床落地的核心审查项。第三个坑：把迭代重建的收敛问题当玄学。重建的收敛准则、迭代次数、λ 都影响结果，商用实现通常锁死这些参数，科研使用时要拆开看。

随机化的设计空间

"随机"在 CS 里不是掷骰子，而是一组有工程目标的采样设计。变密度曲线决定中心与外围的采样配比：目标结构对比度集中在低频时中心采得更密，图像纹理信息重要时把密度曲线拉平。相位编码方向的伪随机排序服务于打乱周期运动的谐波（随机化与运动频率错开，重影被打散成可忍受的纹理）。径向轨迹的黄金角递增是一种优雅的准随机：任意时间窗内的数据都近似均匀覆盖 K 空间，随时可以停止或重建中间结果，特别适合动态与实时场景。设计随机化方案时的检验标准只有一条：伪影谱与目标图像的先验域不相干——做到这一点，迭代重建才有干净的前提；做不到，后面的算法都在给坏账本做审计。

先验域的选择账

稀疏先验是 CS 里最"软"的一环，选哪个变换域是一笔明确的设计账。小波域适合多尺度边缘结构（血管树、气道），全变差适合分片常数图像（mapping 参数图、骨结构），低秩适合时序相关的动态数据（心脏电影按帧堆矩阵），张量分解适合多参数联合数据（多 b 值、多 TE 一起压）。组合先验（小波+全变差）覆盖面广但正则参数翻倍，λ 的调参空间变成二维网格。选域之前先问目标图像"冗余藏在哪里"：边缘冗余选小波、平滑冗余选全变差、时间冗余选低秩——先验域与图像冗余结构匹配度，直接决定同样加速倍数下的重建保真度。这个匹配判断比任何具体算法参数都重要，也是 CS 序列设计里最依赖经验的一步。

本节要点回顾：CS 三要件——欠采、不相干、稀疏；伪影从结构化变成类噪声，"干净"不再等于"完整"；PI+CS 混搭是当代加速的标配，账本必须合并算。第六章开始用这些速度，去看以前看不到的过程：扩散、灌注与流动。