基于非局部相似性与张量列分解的3D磁共振图像去噪：加权Schatten-p范数正则化新框架

为解决磁共振图像(MRI)去噪中传统方法（如Tucker分解的失衡矩阵化和核范数惩罚机制）难以充分表征3D图像内部结构的问题，研究人员提出了一种结合非局部自相似性技术与张量列(Tensor Train)分解的创新框架。该研究通过加权Schatten-p范数正则化处理四阶张量，在合成与真实图像实验中显著优于ANLM3D、BM4D等前沿方法，为临床诊断提供了更精准的图像预处理方案。

　　

磁共振图像(MRI)去噪技术是提升临床诊断精度的关键预处理步骤。当前主流方法如Tucker分解存在维度失衡问题，而核范数惩罚机制难以充分捕捉3D图像的复杂结构特征。这项研究另辟蹊径，将非局部自相似性(Non-local Self-similarity)技术与张量列分解(Tensor Train)相结合，构建了具有平衡矩阵化的新型低秩正则化框架。

研究团队创新性地采用加权Schatten-p范数处理四阶张量，既考虑了三维磁共振图像各维度间的结构关联，又通过权重分配突出了不同奇异值的贡献差异。实验数据显示，该方法在视觉效果和定量指标上均超越ANLM3D、WNNM3D等五大前沿去噪算法，其平衡矩阵化策略尤其擅长保留组织边缘等精细结构特征。这项突破为医学影像分析提供了更可靠的噪声抑制工具，有望显著提升病灶识别的准确性。