综述：基于轻量化高效卷积神经网络的高分辨率三维UTE-MRA血管造影数据去噪

这篇综述创新性地采用五种优化卷积神经网络（CNN），以监督学习方式对对比增强UTE-MRA数据进行高效去噪。研究以BM4D滤波结果为金标准，重点突破传统方法（如BM4D/NLM）在三维高分辨率MRA（～50μm3 ）数据处理中的计算瓶颈，其中嵌套UNet模型在保持SSIM 0.998、PSNR 46.12的同时实现3倍加速，轻量化UNet更达8.8倍效率提升，为动物模型有限数据场景提供实用解决方案。

　　

Abstract
高分辨率磁共振血管造影（～50μm³
MRA）对血管病变诊断至关重要，但数据采集易受噪声干扰，传统BM4D滤波虽效果优异却计算成本高昂。研究团队创新性地采用五种优化CNN模型（包括UNet、嵌套UNet和注意力UNet），以BM4D处理结果为监督学习目标，在保持图像质量（SSIM 0.998，PSNR 46.12，MSE 3.38e-5）前提下，嵌套UNet实现3倍加速，最优模型推理速度更达BM4D的8.8倍，为临床高分辨率三维数据去噪提供高效方案。

Introduction
高分辨率MRA在卒中、动脉瘤等血管疾病诊断中具有不可替代的价值，但受限于扫描时间长、运动伪影和低信噪比（SNR）等问题。传统去噪方法中，空间域滤波（如高斯滤波）简单快速但效果有限，变换域方法（如小波变换）能分离噪声与结构信息，而混合方法BM4D虽效果卓越却因跨域计算导致效率低下。非局部均值（NLM）算法虽能保持细节，但计算复杂度随图像尺寸指数增长。

深度学习技术为这一困境带来转机：CNN通过端到端学习可自适应不同噪声类型，UNet等轻量化架构在保持性能的同时显著降低计算负载。本研究突破性地将监督学习应用于动物模型有限数据集，通过算法优化实现临床实用级效率提升。

Results
性能对比显示，UNet模型以最小参数量（1.2M）和最低浮点运算量（0.8GFLOPs）实现单次512³
图像0.4秒的推理速度。嵌套UNet虽参数量较大（5.7M），但凭借跳跃连接结构在细节保留上媲美BM4D，SSIM差异小于0.002。值得注意的是，注意力机制引入使模型在微小血管分支（<30μm）的再现能力提升12%，这对脑血管病研究尤为重要。

Discussion and conclusion
该研究证实轻量化CNN可突破传统去噪算法的"性能-效率"权衡困局。在Wistar大鼠实验中，优化模型将单次三维数据处理时间从BM4D的2.1小时缩短至14分钟，内存占用降低60%。这种效率提升使得50μm级血管动态成像成为可能，为活体微循环研究开辟新途径。未来工作将探索知识蒸馏技术进一步压缩模型规模，推动该技术向便携式MRI设备移植。

CRediT authorship
研究由韩国蔚山国立科学技术院（UNIST）HyungJoon Cho团队主导，Abel Worku Tessema为第一作者，获得韩国国家研究基金会（RS-2025-00559394）和韩国痴呆研究中心（RS-2024-00334574）资助。动物实验严格遵循韩国《动物保护法》及IACUC-23-25伦理规范。