基于Swin Transformer与压缩感知预增强的多线圈MRI重建网络CS-SwinGAN研究

针对多线圈MRI重建中频域与图像域损失混合导致模糊的问题，上海理工大学团队提出CS-SwinGAN框架，通过压缩感知预增强块（Compressed Sensing Block）分离双域损失，结合Swin-Transformer生成对抗网络提升重建质量。实验证明其在常规重建与k空间噪声抑制（SNRZF =4.0-8.5）中均优于现有方法，为快速高保真MRI成像提供新思路。

　　

磁共振成像（MRI）是临床诊断的重要工具，但漫长的扫描时间一直是其瓶颈。传统压缩感知（Compressed Sensing, CS）和深度学习（Deep Learning, DL）虽能加速成像，但现有方法常将频域（k空间）与图像域损失混合优化，导致重建图像模糊。更棘手的是，实际采集的k空间数据常受噪声干扰（如SNR_ZF
低至4.0），而现有DL模型对此缺乏系统研究。

上海理工大学的研究团队在《Biomedical Signal Processing and Control》发表论文，提出CS-SwinGAN框架。该工作创新性地将Swin Transformer结构与压缩感知预增强技术结合，通过独立优化双域损失，显著提升多线圈MRI的重建质量。研究不仅验证了模型在常规10%超采样下的性能，还首次系统评估了不同k空间噪声水平（SNR_ZF
=4.0-8.5，间隔0.5）下的鲁棒性。

关键技术包括：1）设计压缩感知预增强块（Compressed Sensing Block），采用Swin-Unet结构分离频域与图像域损失；2）构建基于Swin Transformer的生成对抗网络（GAN）框架；3）利用NYU fastMRI公开脑部数据集进行训练与测试；4）引入Gudbjartsson噪声模型模拟真实k空间噪声环境。

方法
研究首先建立数学模型描述多线圈MRI重建问题，随后详细阐述网络架构：压缩感知块通过稀疏约束和去混叠预处理输入张量，而Swin-Transformer生成器则通过窗口多头自注意力机制提取深层特征。噪声实验严格遵循k空间噪声的复数高斯分布特性。

结果

• 消融实验证实压缩感知块使PSNR提升2.3dB；
• 在1D随机、2D随机和径向采样模式下，CS-SwinGAN的SSIM均超过0.92；
• 噪声抑制实验中，当SNR_ZF
  =5.0时仍能保持0.89的SSIM；
• 对比SwinGAN、ReconFormer等模型，其推理速度加快17%。

讨论
该研究突破性地将传统CS优势（如稀疏性）与Transformer的全局建模能力结合。压缩感知块不仅作为独立频域优化模块，其预增强功能还显著提升后续网络的收敛效率。噪声实验填补了DL-MRI研究空白，证明模型在低信噪比条件下的临床适用性。

结论
CS-SwinGAN通过双域损失分离和预增强机制，实现多线圈MRI高质量重建与噪声鲁棒性。其开源代码（GitHub可获取）为后续研究提供重要基础，尤其对快速动态MRI扫描具有潜在转化价值。研究团队指出，未来可探索该框架在心脏电影MRI等时序成像中的应用。