医学图像重建里，“正则化”这三个字出现的频率高到几乎每个做重建的人都被它磨过。但真要说清楚它是什么、能分成几类、每类管什么用，很多人又容易含糊。这篇文章我就以自己的实际经验为线，把医学图像重建中常用的正则化方法做一次完整分类梳理，从经典范数惩罚到深度学习先验，尽量讲清楚每个分支的原理、适用场景和坑。
先说一个最基本的判断：医学图像重建本质上是一个逆问题，而逆问题几乎都是不适定的。正则化就是为了应对这种不适定性而存在的。你理解了这个前提，再看后面所有的分类、公式和算法，就不会觉得它们是零散的技巧，而是一条完整的解题思路。
1. 医学图像重建为什么离不开正则化
1.1 逆问题、不适定性与解的不唯一
我们先从最朴素的成像模型说起。不管是计算机断层成像、核磁共振成像还是正电子发射断层成像，底层数学都可以统一写成这样一个线性系统：
y = A x + n
其中 x 是要重建的图像，y 是探测器或线圈实际测到的数据，A 是系统矩阵或者说前向投影算子，n 是噪声。
如果 A 是个满秩方阵，那问题很简单，x 直接等于 A 的逆乘以 y 就行。但医学成像里的 A 几乎都“缺斤少两”：CT 是有限角度扫描，MRI 是欠采样 K 空间，PET 是低计数采集。这意味着 A 要么不是方阵，要么是病态矩阵，求逆操作要么不存在，要么结果被噪声放大得一塌糊涂。
一个很直观的类比是这样：你手里只有一张被揉皱的纸的几条皱纹信息，却要还原这张纸原来写的所有字。理论上可能的还原结果有无数种，每一种都符合你手里的几条皱纹。重建算法需要做的，就是在这无数种可能里挑出一个“最合理的”答案，而这个“最合理”的评判标准，就是正则化。
1.2 朴素最小二乘为什么不行
如果不管不适定性，直接做最小二乘：
min || A x - y ||²
数学上它当然有解，但实际效果非常差。因为光度学上的误差和噪声之间存在一种天然的耦合：如果你让重建图像无限贴近测量数据，算法会把噪声也当成真实信号还原进去。结果就是图像出现严重的条纹伪影、颗粒噪声，甚至在低剂量或欠采样严重时整幅图变成一片噪声花。
我在实际跑过几次低剂量 CT 重建之后，对这种“数据拟合过拟合”有了很深的体感。当你看重建图的剖线图时，那些高频抖动完全不是解剖结构，而是噪声的镜像。这时你才真正理解，为什么不能只知道 y 和 A，还得额外告诉算法“图像本身应当具备什么性质”。
1.3 正则化的本质：在数据拟合与先验约束之间找平衡
正则化的标准写法是在原拟合项后面加一个惩罚项：
min || A x - y ||² + λ R(x)
第一项负责让重建结果解释测量数据，第二项负责给解加上先验约束，例如平滑性、稀疏性、边缘保持性等。λ 是权重系数，控制两项的优先级。
这个式子的哲学含义很值得琢磨：R(x) 其实就是“你对图像先验知识的编码”。你希望图像是平滑的，那 R 就取梯度惩罚；你希望图像是可稀疏表示的，那 R 就取 L1 范数；你希望图像与某个解剖模板接近，那 R 就可以定义成与模板的差异。
所以整个正则化分类，说到底就是在给不同种类的先验知识分类。不同正则化，就是告诉算法“什么样的图像更像你想看到的图像”。
2. 正则化分类的底层逻辑框架
2.1 从数学形式看分类：范数族与函数族
正则化方法的分类方式有好几种角度。最经典的是从惩罚项的数学形式入手：
- L0 范数：统计非零元素个数，直接追求最稀疏解
- L1 范数：绝对值之和，凸近似下的稀疏解，压缩感知的地基
- L2 范数：平方和，对应 Tikhonov 正则化，追求能量最小的解
- 混合范数：如 L1-L2 组合，兼具稀疏性和稳定性
- 函数空间先验：对梯度、TV（全变分）、Hessian 等微分量施加约束
这个分类最直接，但容易让初学者只盯着公式看，忽略了各种方法背后的重建效果差异。我个人的体会是：L2 类方法重稳定轻细节，L1 类方法重细节但可能损失部分均匀区域的平滑性，TV 类是二者的折中，在“边缘保持”和“噪声压制”之间取得了一个相对理想的平衡点。
2.2 从信息源看分类：显式先验与隐式先验
另一种更贴近实践的分类方式是按先验信息来源分：
- 显式先验：用明确的数学表达式描述图像性质。比如 TV 写成梯度绝对值的积分，L2 写成图像能量的平方和。特点是有解析形式，便于理论分析和梯度计算。
- 隐式先验：不直接写惩罚项，而是通过某种去噪算子、滤波算子或网络结构来隐式约束解空间。典型的例子是基于图像去噪的重建算法，每一步都先做一个传统更新，再插入一个去噪步骤；深度学习方法里则是用网络做隐式先验。
这个分类对工程选型非常有指导意义。如果需求是可解释性强、可控性好，显式先验是首选；如果需求是重建速度快、图像质量上限高，隐式先验尤其值得研究。
2.3 从迭代求解的角度看分类：输入先验、模型先验与学习先验
我在项目实践中习惯把正则化从“作用位置”的角度做第三层划分：
- 输入先验：在迭代的中间结果上直接做滤波或修正，对解施加间接约束。
- 模型先验：把惩罚项直接并入目标函数，迭代更新公式中显式出现梯度。
- 学习先验：利用神经网络从训练数据中学习图像分布，将这种分布作为约束强加给重建解。
前两种是传统优化框架的路线，第三种是深度学习时代的主流。在后面的章节里，我会按照这条主线展开各类常用的具体方法。
3. 经典正则化路线：范数惩罚与变分模型
3.1 L2 与 Tikhonov 正则化：稳定但偏保守
Tikhonov 正则化是历史最悠久的做法之一，形式是：
min || A x - y ||² + λ || Γ x ||²
如果 Γ 取单位矩阵，就得到一个最简单的能量约束：让解不要太大。如果 Γ 取差分矩阵，那就变成平滑约束：让相邻像素差异不要太大。
实际重建效果如何？我在模拟数据上试过硬约束版本，也试过高斯先验版本，结论很一致：稳定、快、可收敛，但图像偏软。边界处过度平滑，细小结构容易被抹掉。在纹理不敏感的重建任务里，比如某一类粗略的剂量分布估算场景，它完全够用；但在需要清晰显示血管或骨小梁的场景，不推荐作为主算法，最多拿来初始化。
3.2 Total Variation 正则化：边缘保持的经典之作
TV 正则化是医学图像重建里绕不开的一座山。它惩罚的是图像梯度的 L1 范数：
R_TV(x) = ∫ |∇x| dx
直观理解是：在平坦区域，梯度小，惩罚小；在边缘处，梯度大，但 L1 范数不像 L2 那样对大的梯度值进行平方惩罚，因此允许边缘保留下来。这就是 TV 能同时实现噪声平滑和边缘保持的原因。
我曾在某低剂量 CT 数据集上对比过 L2 和 TV 的重建剖面图。L2 的结果里血管壁与周围组织的幅度差下降了，TV 的结果里这个幅度差基本保住了，代价是某些均匀区域出现了一小块一小块的“阶梯状”纹理，业内俗称“油灰伪影”或“blocky 伪影”。
这里给一个诸位可能用到的调参经验：TV 权重从 0.001 到 0.01 之间试，不同数据差异很大。你可以先大范围粗调，看在测试集上伪影消失的最低权重，再往高里加一点回退，取验证集指标平滑的区域作最终值。正则化权重不是越大越好，这几乎是所有正则化方法的通性。
TV 的变种也很多，比如各向异性 TV、各向同性 TV、加权 TV，都是围绕着“怎样让边缘方向上的惩罚更少”展开的。严格意义上这些都归属于变分正则化这一大类。
3.3 稀疏正则化与压缩感知：让欠采样变成可能
从稀疏性切入的是另一条重要分支。其核心假设是：图像在某个变换域里是稀疏的，比如梯度域、小波域或者字典域。惩罚项选择 L1 范数：
R(x) = || W x ||₁
其中 W 是稀疏变换。
为什么 L1 能诱导稀疏？原因是 L1 的等高线是棱形的，在约束集与等高线的交点更容易落在坐标轴上，自然产生零元素。而 L2 的等高线是圆形的，交点几乎不会落在坐标轴上。这是压缩感知兴起时最简单也最常被引用的几何解释。
在 MRI 欠采样重建里，L1 约束与 K 空间采样的配合效果特别好。我做过几个模拟实验：四倍欠采样下，用 L2 做出来的图像模糊且有混迭伪影，用 L1 小波约束做出来的图像结构清晰，伪影明显减少。不过稀疏正则化并非万能，它依赖图像确实在某个域是稀疏的。对纹理丰富、结构密集的图像，单纯的稀疏约束反而可能造成细节丢失或伪影浓缩。
3.4 高阶变分与广义全变分：向平滑区域要质量
TV 的“阶梯效应”促使研究者开发了高阶变分方法。比如对二阶导数施以 L1 惩罚，能够保证重建图像在平滑区域真正平滑，而不是形成阶梯。更系统的方法叫总广义变分（TGV，Total Generalized Variation），它把一阶和二阶信息组合，在保持边缘的同时避免 blocky 效应。
我自己对 TGV 的记忆比较深刻，因为在某次 CT 模拟实验里，常规 TV 重建的结果在肝脏这类均匀组织区域出现了明显的阶梯纹理，换成 TGV 后这些纹理明显减弱，而边缘锐度几乎没有下降。它的问题主要是优化难度大、参数更多，权重系数不仅要调整体强度，还得调一阶与二阶项的平衡，工程上需要花时间打磨。
做个表格对比一下四类经典方法，方便大家快速定格选型：
| 方法 | 数学形式 | 优势 | 劣势 | 典型场景 |
|---|---|---|---|---|
| L2/Tikhonov | 平方范数惩罚 | 稳定、收敛好、实现简单 | 边缘过平滑、细节丢失 | 大致初始化、均匀介质重建 |
| TV | 梯度 L1 范数 | 边缘保持、压制噪声 | 阶梯伪影、块状效应 | 低剂量CT、稀疏角重建 |
| 稀疏L1 | 变换域 L1 范数 | 欠采样能力强 | 对变换域选择敏感 | 压缩感知MRI |
| TGV | 高阶微分量混合 | 平滑与边缘兼顾 | 参数多、优化复杂 | 高质量CT重建 |
4. 结构先验类正则化：让算法“知道”解剖结构
4.1 加权TV与局部自适应
经典 TV 对所有位置的梯度惩罚权重相同，这在实际数据中并不合理。有的区域是重要边缘，有的区域纯粹是噪声，应当区别对待。加权 TV 正是从这个需求出发：
R(x) = ∫ w(r) |∇x| dr
权重 w(r) 可以根据上一轮迭代的结果计算。在边缘强度大的位置降低权重，在平坦区域提高权重，这样既保留了真实边缘，又强化了匀质区域的平滑性。这种思路本质上是在为 TV 引入“位置自适应”的能力。
在迭代重建的框架里，加权 TV 的更新通常可以做得很自然：上一轮解的梯度模值大，下一轮的权重就小。实现上只需要在每一次迭代里额外算一个权重图，计算量增加有限。我在某组低剂量腹部 CT 实验里，加权 TV 比固定权重 TV 的伪影指数明显下降，边缘清晰度也有肉眼可辨的提升。
4.2 引导滤波与边缘感知先验
另一个很有意思的类别是引导图像先验。核心思路是：如果有另一幅质量更高或者模态互补的图像存在，可以把它作为空间结构的引导，让重建图像的边缘与引导图像对齐。
引导滤波是这类方法中比较有代表性的实现。它假设重建图像在局部区域内近似于引导图像的仿射变换，这样一来，引导图像里没有的边缘，重建图像也不会强行做出来；引导图像里有的结构，重建图像会跟随它保持。在 PET 与 MRI 的联合重建里，MRI 提供的解剖结构就可以作为 PET 重建的引导图，显著抑制 PET 低计数的噪声，同时保留功能区域的边界。
我做过的相关实验里，最大的体会是引导图像不能“带偏”重建目标。如果引导图像与目标图像的边缘不完全重合，强制对齐反而会把错误的边界引入结果。所以一般来说，引导滤波的参数和局部窗口尺寸比权重更需要细调。窗口太大，边缘会被平滑；窗口太小，引导作用几乎失效。
4.3 解剖先验与多模态信息融合
把先验的层级再抬高一层，就是直接使用解剖知识。比如在同一患者先做了高分辨率 MR 扫描，扫描部位与疼痛的 PET 或低剂量 CT 对齐，那么 PET 重建就可以用 MR 图像中的解剖信息来构造惩罚项。常见的做法有两种：
- 如果两张图结构相似，直接用解剖图的梯度作为权重函数，让 PET 的惩罚沿着解剖边界自适应改变方向；
- 如果两张图只是空间对齐但信号含义完全不同，可以用共同稀疏性或者联合总变分的方式，让两张图共享边缘信息，但各自保持自己的信号强度范围。
这类方法的工程难点在配准。多模态图像之间的空间配准精度如果达不到体素级，解剖先验反而会变成伪影的来源。我的经验是：宁可先把配准问题解决得很扎实，也不要急着上复杂的联合正则化项。
4.4 低秩正则化与核范数
在处理动态图像或光谱图像时，可以引入低秩先验。例如动态 CT 的连续帧之间高度相关，把所有帧排列成矩阵，这个矩阵的秩应该远小于其维度。于是惩罚项可以写成核范数：
R(X) = || X ||_* = Σ σ_i
其中 σ_i 是矩阵的奇异值。核范数惩罚等于在做软阈值奇异值收缩，很像对向量做 L1 阈值收缩时对奇异值的推广。
动态成像场景中这个先验非常有效。我印象比较深的是在某个心脏模拟数据集里，低秩加稀疏分解的形式能够把动态变化的造影区域与静态背景分离，重建质量比单纯帧间独立处理好了很大一截。不过它的计算负担同样不可忽视，尤其图像尺寸大、帧数多时，奇异值分解的迭代开销会显著增加。
5. 数据驱动与深度学习正则化：从传统先验到学习先验
5.1 深度图像先验与去噪型正则化
近十年来，深度学习为医学图像重建带来的最大变化，是把“先验从哪里来”这个问题彻底改写了。传统方法依赖人工设计 R(x)，深度学习方法则是从大量正常解剖图像中学习出一个分布约束。
其中一个重要的概念是去噪正则化框架。想法很巧妙：如果有一个很强的图像去噪器，那么它其实就隐式编码了自然图像的分布。重建的每一次迭代中，先做一次数据一致性的梯度更新，再把当前结果输入去噪器做一次“先验修正”。这个思路的最大实用性在于：你可以用任意一种训练好的去噪网络来提高传统迭代重建的质量，而不必从头设计惩罚项。
我在实际测试中用这类方法做低剂量 CT 的迭代重建，效果相当惊艳。传统 TV 重建里那些让人头疼的阶梯伪影基本消失了，均匀组织的纹理接近高剂量参考图像。缺点是需要预设什么时候停迭代，迭代过多会导致过度平滑，过少则伪影消除不彻底。
5.2 展开型网络：把迭代过程本身变成网络
另一条主流路线是展开型网络。做法是把传统迭代重建的每一次迭代对应成网络的一层，把迭代里的正则化项改成可学习的网络模块。常见的实现里，K 空间数据一致性模块被保留，而正则化的梯度更新被换成了卷积层或者残差块。
这类方法的直观优势：它既有传统迭代的“物理结构可解释性”，又有深度学习的表达能力和训练优化能力。展开型网络与纯黑盒端到端网络相比，在训练数据量有限的情况下通常表现更稳定，也不容易产生幻觉结构。我个人的实验经验是，展开型网络的层数不宜太深，一般十次迭代左右的深度在大部分任务中已经够用，再深收益开始递减，训练负担反而显著上升。
5.3 后处理增强：最朴素也最容易上手的深度方案
如果不打算动重建算法内部结构，还有一种“偷懒但有效”的方式：先把图像用传统方法重建出来，再用一个神经网络做后处理增强。严格来说这不是重建算法里的正则化，但它从效果上达到了类似的目的——用学习到的数据分布去修正伪影、噪声和模糊。
后处理方案的优点是工程实现门槛低，可以快速复用成熟的网络结构；缺点也很明显，在伪影特别严重的输入上，网络容易产生结构幻视，造出原本不存在的解剖细节。我在落地某个项目时就遇到过这个问题，最后不得不对网络增加的假细节做了显式的惩罚，才勉强在工作站上通过评估。
三类深度方法的属性和适用场景可以归纳成一张表，方便大家理解取舍：
| 方法 | 先验形式 | 实现难度 | 解释性 | 对数据量要求 | 典型效果 |
|---|---|---|---|---|---|
| 去噪型正则化 | 学习去噪器隐式先验 | 中 | 中 | 中 | 伪影少、纹理自然 |
| 展开型网络 | 学习迭代步骤 | 高 | 较高 | 高 | 质量上限高、稳定性好 |
| 后处理增强 | 学习图像映射 | 低 | 低 | 中 | 部署快但受限输入质量 |
6. 正则化参数选择：决定成败的关键细节
6.1 固定权重与自适应权重
正则化项里那个 λ 看起来只是一个小系数，但它直接决定了重建结果在“贴合数据”和“服从先验”之间站哪边。λ 太大，先验主导一切，重建图会偏平滑、偏模板化，真实解剖信息被压制；λ 太小，噪声和伪影压不住，又回到过拟合的老路。
传统做法是人为固定一个 λ。我比较推荐先做一个“权重-质量”扫描：取一组对数间隔的候选值，在验证集上分别重建，算信噪比或结构相似度指标，画一条曲线。你会发现曲线通常呈单峰型，峰的位置就是相对合适的权重。然后在这个基础上进行一次局部微调。
如果你的重建任务是批量处理的，可以考虑更省事的自适应策略。比如把 λ 与投影数据噪声方差的估计值挂钩，噪声越大，λ 自动升高；或者利用迭代中间结果计算全局伪影强度，动态调整下一轮的权重。这类方法工程上稍微复杂，但能避免每一批新数据都要重调参数的痛苦。
6.2 L曲线、广义交叉验证等参数寻优方法
在离线调参场景，经典的方法论仍然值得掌握。L曲线法是把数据拟合项范数和正则化项范数作为横纵坐标画曲线，理想情况会呈现 L 型，取拐角处的 λ。广义交叉验证则通过最小化某种预测误差形式来估计 λ，好处是不需要知道真实的噪声方差。
坦白说，这些方法在医用数据上的表现并不总是理想。因为医学图像的噪声分布往往不满足高斯假设，测量数据也可能带有各种伪影，L 曲线的拐角有时并不明显。我的习惯是：把这些统计方法当作参考线，最终参数以质量指标和视觉评价共同确定，绝不盲目信任单一准则。
6.3 质量评价指标的选择陷阱
正则化好不好，最终要看重建图质量。但你用哪一把尺子量，直接决定了你会得出什么结论。均方误差类的指标偏好于保守解，稍微加一点锐化都会让指标变差；结构相似度在衡量结构保持方面更贴近人眼感知，但对噪声下降不敏感；边缘保持指数则能体现边界细节的保留程度。
我踩过的一个坑是：某个模型在某数据上峰值信噪比涨了 0.5，但主治医生看一眼就说图像纹理不对劲。原因就在于均方误差偏好把细节抹平。后来我们改成临床相关结构清晰度评分和感知质量评分，才正确评估了不同正则化方法的相对优势。评估维度要尽量包含噪声抑制、伪影水平、边缘保留、均匀区域平滑性这几项，单看一个指标很容易被误导。
7. 常见问题与操作经验实录
7.1 正则化为什么会引入新伪影
很多人在调参时会发现一个奇怪现象：正则化明明是为了去伪影，结果反而引入了新的伪影。这是很正常的。TV 会引入阶梯伪影，L2 会带来边缘模糊，稀疏正则化可能把噪声浓缩成小块结构，深度后处理网络可能幻觉出细节。
我的排查思路是：先把 λ 调到极小值，确认拟合项单独工作时能造成什么效果；再把 λ 调到极大值，确认真实结构被压到什么程度。在两个极端之间逐步过渡，就能定位某个异常伪影到底是来自先验过强，还是来自数据拟合项与先验项的相互作用。
7.2 计算时间太长怎么办
高阶变分、核范数、展开型网络都是计算大户。我常用的策略有三个：一是用 GPU 加速，大部分迭代重建和深度学习前向过程都可以用矩阵运算代替显式逐像素处理；二是做分批重建，对动态或大体积数据按解剖位置切块，每块单独重建后再拼接；三是减少迭代中正则化项更新频率，比如每三次主迭代再做一次正则化更新，收敛速度损失很小，但单次迭代的耗时能下降 20% 以上。
如果计算资源确实紧张，用低秩和稀疏方法做预处理也比完全不用正则化要稳得多。关键是要在精度与效率之间画一条可见的基线，后续优化才有对比依据。
7.3 不同正则化方法能否叠加
完全可以，而且很多实际效果好的重建算法都是多正则化叠加的结果。低秩与稀疏的组合就是一个典型代表，边缘保持先验与平滑先验组合也很常见。但叠加正则化有一个容易翻车的点：每一项的权重不能独立去调，否则你根本不知道某项约束到底在发挥什么作用。
我看到一个比较稳妥的流程是：先单独验证每一项的存在性影响，固定其他项，逐项加入和移除，记录指标变化。这样既能避免重复的约束项虚耗计算资源，也能真正理解最终组合中的每一项对图像做了什么。
7.4 数据质量极差时正则化的边界
当投影数据缺损过重或者噪声水平超出正常范围，任何正则化都无法无中生有。一个可能的出路是把更硬的解剖先验加进来，例如让重建图像与某幅高质量模板图的互信息最大化，但这样又把结果向模板偏置，风险是同病异形的问题。
在这个极限状态下，我的真实经验是：与其急着调正则化，不如先回看采集协议和校正流程，往往把运动校正、散射校正改善一点，比调十轮正则化参数都见效。正则化是补偿手段，不是万能药。
写在最后的实操体会
玩正则化这些年，最大的心得是别把它当数学公式背，要把它当成“你对图像的期望”。你想让图像稳定，就上 L2；想让边缘清晰，上 TV；想让欠采样可解，上稀疏或低秩；想让纹理自然，再考虑深度先验。每个方法都不是孤立的，它们的本质都在“数据拟合”和“先验约束”之间做平衡。
如果你现在正要为一个新的医学图像重建任务选正则化方案，我给的建议是：先从最简单的 L2 或 TV 开始，跑通流程、摸清数据底细，再逐步引入更复杂的先验。每一步增加的方法都要有量化指标和多维度评估支撑，不要指望一种高级正则化能解决所有问题。条件允许的话，多模态的解剖先验与深度学习先验是当前最值得投入的方向，但对数据质量和算力的要求也更高。量力而行，循序渐进，往往比一步到位更能做出稳妥的结果。
