基于深度学习的磁共振影像超分辨重建研究综述.docVIP

基于深度学习的磁共振影像超分辨重建研究综述

磁共振成像（MRI）作为一种非侵入式的三维成像技术，能够提供丰富的软组织对比度，在神经科学、肿瘤诊断、心血管疾病评估等临床场景中发挥着不可替代的作用。临床实践中，高分辨率MRI能够清晰呈现微小解剖结构与病理特征，是精准诊断和治疗规划的核心前提。但受限于扫描时间、设备硬件性能、患者运动伪影等多重因素，常规MRI扫描通常只能获得低分辨率影像，直接提升采样分辨率会导致扫描时间呈指数级增长，不仅增加患者负担，还会提高运动伪影的出现概率。超分辨重建技术通过算法将低分辨率MRI转换为高分辨率影像，在不改变扫描流程的前提下突破硬件限制，成为医学影像领域的研究热点。早期传统超分辨方法基于插值、稀疏表示、马尔可夫随机场等模型，依赖人工设计的特征提取规则，对复杂纹理和细微结构的还原能力有限。近年来深度学习技术的快速发展为MRI超分辨重建带来了新的范式，基于卷积神经网络、生成对抗网络、Transformer等架构的方法在重建精度、细节还原度上实现了阶跃式提升，部分技术已经逐步进入临床验证阶段。

一、MRI超分辨重建的基础挑战与深度学习适配逻辑

MRI成像过程的物理特性决定了其超分辨任务与自然图像超分辨存在本质差异，也对深度学习模型的设计提出了特殊要求。首先，MRI的降质过程不是简单的下采样加噪，而是涉及k空间傅里叶采样、运动伪影、磁场不均匀性、Rician噪声