基于视觉Transformer与残差特征网络的高分辨率磁粒子成像系统矩阵恢复研究

《Biomedical Signal Processing and Control》：High-resolution magnetic particle imaging system matrix recovery using a vision transformer with residual feature network

本研究针对磁粒子成像(MPI)中系统矩阵(SM)因下采样和线圈灵敏度变化导致分辨率下降的问题，提出了一种融合视觉Transformer(ViT)全局注意力与残差卷积局部优化的VRF-Net深度学习框架。通过在Open MPI数据集和模拟数据集上的实验表明，该方法在2×缩放下实现了nRMSE=0.403、pSNR=39.08 dB、SSIM=0.835的优异性能，较传统方法平均降低nRMSE达88.2%，显著提升了系统矩阵恢复质量和图像重建精度，为MPI技术临床应用提供了新思路。

　　

在医学影像技术快速发展的今天，磁粒子成像(Magnetic Particle Imaging, MPI)作为一种新兴的成像模态，凭借其高灵敏度、无电离辐射等优势，在心血管疾病动态成像、肿瘤检测等领域展现出巨大潜力。然而，MPI技术的实际应用却面临着一个关键瓶颈——系统矩阵(System Matrix, SM)的质量直接决定成像分辨率，而现实采集过程中不可避免的下采样操作和线圈灵敏度变化，往往导致系统矩阵高频成分丢失，使得重建图像出现模糊和伪影。

传统插值方法和常规卷积神经网络(CNN)在系统矩阵超分辨率重建任务中表现有限，前者难以恢复复杂纹理细节，后者则因局部感受野限制而无法有效建模全局依赖关系。尤其当面临8倍及以上大尺度缩放挑战时，现有方法往往出现边界伪影、细节失真等问题。如何同时兼顾系统矩阵的全局结构连贯性与局部特征精细度，成为提升MPI图像质量的核心难题。

针对这一挑战，山东大学研究团队在《Biomedical Signal Processing and Control》发表的最新研究中，提出了一种名为VRF-Net的混合深度学习框架。该创新性设计将视觉Transformer(Vision Transformer, ViT)的全局注意力机制与残差特征网络的局部优化能力相融合，犹如为系统矩阵恢复任务配备了“全局导航系统”和“局部精修工具”的双重保障。通过模拟真实MPI采集环境的双阶段下采样策略，研究团队构建了包含公开Open MPI数据和可变线圈灵敏度模拟数据的训练集，使模型能够适应复杂多变的实际成像条件。

关键技术方法主要包括：①采用双阶段下采样策略模拟系统矩阵退化过程；②构建融合ViT模块与残差卷积块的混合架构；③使用公开Open MPI数据集（校准数据No.9/No.10训练，No.3/No.8测试）和模拟线圈灵敏度变化数据集进行模型验证。

Open MPI数据集实验结果

在Open MPI数据集上，VRF-Net展现出卓越的系统矩阵恢复能力。在2倍缩放条件下，其归一化均方根误差(nRMSE)降至0.403，峰值信噪比(pSNR)达到39.08分贝，结构相似性(SSIM)指标为0.835。即使面临8倍缩放的高难度挑战，模型仍保持pSNR=31.06 dB、SSIM=0.717的稳定性能。与双三次插值、SRCNN和VDSR等基线方法相比，VRF-Net在细节恢复和伪影抑制方面表现尤为突出，为后续高质量图像重建奠定了坚实基础。

模拟数据集验证结果

在包含线圈灵敏度变化的模拟数据集测试中，VRF-Net同样表现出强大泛化能力。2倍缩放时达到nRMSE=4.44，pSNR=28.52 dB，SSIM=0.771，且在高缩放倍数下保持性能稳定。这表明模型不仅能够处理理想实验环境下的系统矩阵，还能有效应对实际应用中线圈灵敏度波动带来的挑战，为MPI技术在不同设备间的推广应用提供了技术支撑。

图像重建性能评估

研究进一步将恢复后的系统矩阵应用于实际图像重建任务。在Open MPI体模重建中，VRF-Net在2倍缩放下将重建误差降至nRMSE=1.79，同时保持优异的结构保真度（pSNR=41.58 dB，SSIM=0.960）。重建图像不仅显著减少伪影，更清晰地再现了细微结构，验证了恢复系统矩阵在实际成像场景中的实用价值。

讨论与结论

该研究通过定量指标和定性分析证实，VRF-Net的创新架构有效解决了MPI系统矩阵恢复中的关键矛盾：视觉Transformer模块通过自注意力机制捕捉系统矩阵的全局频率分布规律，而残差特征网络则专注于修复局部高频细节。这种分工协作的模式使模型能够同时恢复大尺度结构和细微特征，克服了传统方法在处理复杂谐波内容时的局限性。

值得注意的是，研究团队开创性地将可变线圈灵敏度特征纳入训练数据，这一设计使模型具备适应不同扫描条件的能力，突破了现有方法对固定系统特性的依赖。与TranSMS、ProTSM等最新方法相比，VRF-Net在保持较低计算复杂度的同时，实现了平均88.2%的nRMSE降低、44.7%的pSNR提升和34.3%的SSIM改善。

这项研究的重要意义在于：首先，验证了混合深度学习架构在MPI系统矩阵恢复中的优势，为医学图像超分辨率重建提供了新范式；其次，通过引入实际成像条件变量，增强了模型临床应用的可行性；最后，开源数据集的广泛测试结果为领域内提供了可靠性能基准。未来，该技术有望推动MPI在动态血管成像、肿瘤靶向检测等精准医疗领域的应用突破，为发展下一代高性能医学影像设备奠定理论基础。