综述：基于深度学习的医学图像超分辨率技术全面综述

（编辑推荐）本文系统综述了深度学习（DL）在医学图像超分辨率（SR）领域的研究进展，涵盖网络架构设计、上采样模块、学习策略及图像质量评估（IQA）等核心模块，为提升低分辨率（LR）医学图像的空间分辨率提供了模块化解决方案，同时指出该技术在保留敏感信息与临床实用性方面的挑战。

　　

Abstract

医学图像超分辨率（SR）作为低层视觉中的经典回归任务，因硬件限制、采集时间及低辐射剂量等因素面临空间分辨率不足的挑战。深度学习（DL）通过挖掘数据内部潜在模式，成为医学图像SR的主流方法。本文从有效架构设计、上采样模块、学习策略及图像质量评估四大模块展开分析，探讨了单图像超分辨率（SISR）在医学影像中的特殊性与应用瓶颈。

Introduction

深度学习在计算机视觉（CV）领域展现出分层表征学习的优势，其分支——医学图像SR技术通过卷积神经网络（CNN）和残差块（Residual Blocks）等架构，显著提升了图像细节恢复能力。与自然图像相比，医学图像具有更低信噪比（SNR），需结合先验知识进行结构增强。SISR作为病理性细节恢复的关键预处理步骤，常与分割（Segmentation）或病灶检测（Lesion Detection）联用，但如何平衡信息敏感性与诊断准确性仍是核心挑战。

Effective Architectures for SISR

医学图像SR网络的核心在于高效特征提取与非线性拟合。主流架构包括：

1. 残差网络（ResNet）：通过跳跃连接缓解梯度消失，适用于CT/MRI图像重建。
2. 密集连接块（DenseNet）：特征复用提升模态特异性细节恢复，如超声图像中的微钙化点。
3. 生成对抗网络（GAN）：生成高分辨率（HR）图像时需注意避免伪影干扰临床判读。

Upsampling Module

上采样模块决定图像放大质量：

• 转置卷积（Transposed Convolution）：易引发棋盘效应，需结合正则化约束。
• 亚像素卷积（Sub-pixel Convolution）：计算高效，适用于实时内窥镜图像增强。
• 插值引导网络：在PET图像中保留代谢信息空间分布。

Learning Strategies

优化策略直接影响模型性能：

• 多任务学习（MTL）：联合分割任务提升SR图像的边缘一致性。
• 迁移学习：利用自然图像预训练模型加速医学域适配。
• 对抗损失（Adversarial Loss）：增强纹理但可能引入虚假病灶。

Image Quality Assessment

医学SR需兼顾主观与客观评估：

• 峰值信噪比（PSNR）：对全局失真敏感，但忽略局部结构。
• 结构相似性（SSIM）：更贴合放射科医生视觉感知。
• 无参考评估（NR-IQA）：适用于缺乏HR标签的临床场景。

Limitations and Practical Challenges

当前医学SR面临三大瓶颈：

1. 模态差异性：MRI与CT的噪声分布差异导致泛化性不足。
2. 标注依赖：HR图像获取成本高昂，制约监督学习发展。
3. 临床可解释性：黑箱模型决策可能影响诊断可信度。

Conclusion

未来趋势包括：轻量化模型部署、多模态联合SR、以及结合放射组学（Radiomics）的先验知识嵌入。医学图像SR技术正从实验室走向临床，但其产业化仍需解决伦理审查与标准化评估问题。