编辑推荐：
为解决欠采样磁共振成像（MRI）重建中，深度学习方法忽略频率特征、难以还原清晰结构图像等问题，研究人员开展 FDGANet 相关研究。结果显示该模型在多数据集上优于现有方法，对加速 MRI 意义重大。
在医学领域，磁共振成像（Magnetic Resonance Imaging，MRI）就像医生的 “透视眼”，能帮助医生清晰地观察人体内部结构，在临床诊断中发挥着极为重要的作用。然而，传统的全采样 MRI 数据采集时间过长，这不仅影响了患者的就医体验，还可能因患者在检查过程中的生理活动产生运动伪影，干扰诊断结果。于是，欠采样 MRI 技术应运而生，它通过降低采样率来缩短扫描时间，不过却带来了新的麻烦 —— 混叠伪影，让重建高分辨率的图像变得困难重重。
与此同时，深度学习方法在 MRI 重建中崭露头角，但它们大多只关注图像域，忽视了频率特征。这就好比只看到了树木，却忽略了森林，导致重建的图像丢失了许多细节和原始结构，变得过于平滑，无法满足临床精准诊断的需求。
为了攻克这些难题，来自国内的研究人员开展了一项极具创新性的研究。他们提出了一种名为频率动态图注意力网络（Frequency Dynamic Graph Attention Network，FDGANet）的新方法，旨在实现更精准的欠采样 MRI 重建。经过一系列严谨的实验验证，该研究取得了令人瞩目的成果：FDGANet 在多个数据集，包括临床数据集上，都展现出了优于现有先进 MRI 重建方法的性能，能够重建出质量更高、细节更丰富的 MR 图像。这一成果对于加速 MRI 技术的发展意义非凡，有望为临床诊断提供更准确、更可靠的影像依据，让医生们能够更早、更精准地发现疾病，为患者的健康保驾护航。该研究成果发表在《Biomedical Signal Processing and Control》杂志上。
研究人员在开展这项研究时，运用了多种关键技术方法。他们采用了 MICCAI 和 fastMRI 数据集进行实验。在模型构建方面，以 U - Net 为骨干网络，通过小波变换将图像域划分为高频和低频分支。利用卷积操作提取浅特征后进行小波变换，增强多尺度频率分析能力；设计多头动态图注意力模块（MDGA）挖掘图像非局部自相似性；引入跨频率差分感知融合模块（CDFM）促进高低频特征互补；还设置了纹理增强模块提取高频细节信息。
下面来详细看看研究结果：
- 整体框架设计：FDGANet 采用 U 形结构，输入欠采样 MR 图像Iu，输出重建图像Ir，Ir=HFDGA(Iu) 。首先用3×3卷积层提取浅特征Fs，为后续处理奠定基础。这种设计使得模型能够有效整合不同尺度的信息，提升重建效果。
- 多模块协同工作：
- MDGA 模块：基于图像低频的非局部自相似性，将特征补丁视为节点，动态分配邻居节点构建长程相关性，从而更好地恢复低频信息，保留图像结构细节。例如在处理复杂的人体组织图像时，能精准捕捉不同部位之间的相似结构关系，让重建图像的整体布局更合理。
- 纹理增强模块：利用梯度算子提取高频信息中的边缘信息，通过级联残差块提取高频特征，有效保留了图像的边缘和纹理细节。在重建的图像中，人体组织的边界更加清晰，细微的纹理也能清晰呈现。
- CDFM 模块：考虑到小波子带间的相关性，该模块利用高低频信息引导细节恢复，调整高低频分量关系，增强特征表示能力，减少信息损失。这使得重建图像在保留整体结构的同时，细节更加丰富，提高了图像质量。
- 实验验证优势：在 MICCAI 数据集上，研究人员使用 100 个 T1 加权 MRI 数据集进行实验，选取 15,216 张有效 2D 图像用于训练（70%），5,912 张用于验证（30%），并在 50 个数据集（9,854 张 2D 图像）上进行独立测试。在 fastMRI 数据集（包含单线圈膝盖数据和多线圈脑数据）上也进行了实验。结果表明，无论是定性还是定量评估，FDGANet 都优于其他先进的 MRI 重建方法，充分证明了其有效性和优越性。
研究结论表明，FDGANet 通过多层次小波变换，聚焦低频和高频信息的恢复，成功实现了高质量的欠采样 MRI 重建。在讨论部分，研究人员进一步强调了 FDGANet 在医学影像领域的重要意义。它不仅为解决欠采样 MRI 重建难题提供了新的思路和方法，而且其多模块协同工作的设计理念也为其他相关领域的研究提供了借鉴。未来，有望基于这一研究成果，进一步优化 MRI 重建技术，提高临床诊断的准确性和效率，推动医学影像技术的发展，为人类健康事业做出更大的贡献。
