基于人工傅里叶变换网络(AFTNet)的深度学习MRI重建：跨域学习与复杂值神经网络融合的创新框架

本研究针对传统MRI重建方法在频域信息利用不足的问题，提出人工傅里叶变换网络(AFTNet)，通过复杂值神经网络(CVNNs)直接处理原始k-space数据，实现k-space与图像域的跨域映射学习。实验证明该方法在加速MRI重建、去噪MRS重建等多场景中均优于现有技术，为医学影像预处理提供了创新解决方案。

　　

磁共振成像(MRI)作为现代医学诊断的重要工具，其图像质量直接关系到临床诊断的准确性。然而传统MRI重建方法面临两大挑战：一是常规傅里叶变换(DFT)对非理想信号的适应性有限，二是现有方法往往将k-space数据的实部和虚部分离处理，导致相位信息丢失。这些问题在加速采集（减少扫描时间）和低信噪比场景下尤为突出，严重影响重建图像的质量和诊断价值。

针对这些挑战，研究人员开发了人工傅里叶变换网络(AFTNet)，这一创新框架将域流形学习与复杂值神经网络(CVNNs)有机结合。该研究发表在《Computers in Biology and Medicine》上，通过系统实验证明，AFTNet不仅能更准确地重建常规MRI图像，在加速MRI和去噪磁共振波谱(MRS)重建等挑战性任务中也展现出显著优势。

研究团队采用三大关键技术：1）人工傅里叶变换(AFT)模块替代传统DFT，实现可学习的频域-图像域映射；2）复杂值残差注意力U-Net架构处理全局频域特征和局部图像细节；3）直接处理原始多线圈k-space数据，保留完整的复数信息。实验数据来自不同场强、对比度和加速因子的MRI系统采集的临床数据集。

【Complex-valued neural networks】部分阐明了CVNNs的数学基础，通过复数算子W(·)=W_real(·)+iW_imag(·)实现复数域的特征学习，避免了实虚部分离处理的信息损失。

【Artificial Fourier transform】部分提出AFT模块的创新设计，证明2D DFT可分解为两个1D DFT的级联，并通过CVNNs实现可学习的频域变换。该模块能自适应噪声和非理想信号，突破了传统DFT的固定变换模式。

【Overview】描述了实验设置：直接处理多线圈k-space数据，保持输入输出维度一致，最终通过傅里叶变换和线圈压缩获得临床关注的幅度图像。这种端到端处理流程最大程度保留了原始数据的信息完整性。

【Comparison study】通过正常场MRI数据集的测试表明，AFTNet在视觉评估和定量指标上均优于传统傅里叶变换网络和score-MRI等方法。残差图分析显示，AFTNet能更精确地重建细微解剖结构，特别是在高加速因子下优势明显。

【Discussion】部分强调AFTNet的双重优势：AFT模块有效模拟DFT功能并允许动态调参，而前后端卷积层分别在k-space和图像域提取多层次特征。模块化设计使其可扩展至1D MRS等不同维度数据重建。

【Conclusion】指出AFTNet的创新价值：首次将可学习的频域变换与CVNNs结合，通过复数运算保留完整的k-space信息，在多种MRI重建任务中实现性能突破。该框架不仅提升了图像质量，其通用性设计也为解决其他逆问题提供了新思路。

这项研究的核心突破在于将传统上视为"固定操作"的傅里叶变换转化为可学习的神经网络模块，同时充分发挥CVNNs在频域特征提取的优势。这种范式转变不仅解决了MRI重建中的具体问题，更为医学影像处理领域提供了"从固定算法到可学习模型"的方法论创新，具有重要的临床应用价值和理论指导意义。