Zero-X21：基于多模态局部-全局特征调制隐式神经表示的MRI各向异性层间插值突破

为解决多模态多平面各向异性MRI层间插值中存在的泛化性差、模态交互不足及特征调制受限等问题，研究人员提出Zero-X21框架。该研究通过局部-全局特征增强模块（LG-IFE）和多模态特征交互模块，实现了任意尺度的高分辨率重建。实验证明，Zero-X21在脑MRI数据上超越现有方法，为临床诊断提供高效精准的解决方案。

　　

在医学影像领域，各向异性磁共振成像（MRI）因扫描效率与分辨率难以兼顾而长期困扰临床诊断。当医生为缩短扫描时间采用不同平面（如轴向、冠状面）和不同对比度（如T1w、T2w）的快速扫描时，生成的图像层间分辨率远低于层内分辨率，导致多模态数据协同分析困难，甚至可能引发误诊。传统三线性插值方法产生的模糊伪影，以及现有基于卷积神经网络（CNN）的超分辨率技术受限于固定放大倍数的缺陷，都亟待突破性解决方案。

北京某高校团队在《Pattern Recognition Letters》发表的研究中，创新性地提出Zero-X21框架。该研究利用隐式神经表示（INR）的连续表征优势，结合局部-全局特征增强（LG-IFE）模块和跨模态交互机制，首次实现单一模型适配任意放大倍数的MRI层间插值。关键技术包括：1）基于BraTS数据集模拟临床各向异性扫描协议；2）通过可学习的局部空间权重与全局相似性特征动态调制INR；3）设计双路径架构实现多模态（T1w/T2w）与多平面（轴向/冠状面）的互补学习。

Zero-X21框架设计
研究将各向异性插值问题形式化为从低分辨率体积I^lr∈R^h×w×d到高分辨率I^sr∈R^h×w×[d·r]的映射。核心创新在于LG-IFE模块通过可变形卷积捕获局部特征，同时利用非局部注意力提取全局相似性；多模态交互模块则通过交叉视图注意力机制融合不同对比度信息。

实验结果
在BraTS数据集上，Zero-X21在4倍插值任务中PSNR达38.72dB，显著优于传统插值（34.15dB）和最新INR方法（37.41dB）。尤为关键的是，该模型在训练未见过的2.5倍等非整数尺度上仍保持优异性能，验证了其真正的尺度无关特性。

结论与意义
该研究突破现有INR方法的三重局限：1）通过"模型级"优化实现跨样本泛化；2）建立模态间动态交互通路；3）创新特征调制机制。临床价值在于，仅需单次训练即可支持放射科医生按需生成任意精度的各向同性图像，既避免重复扫描带来的运动伪影，又提升多模态诊断效率。未来可扩展至CT、超声等多模态医学影像重建领域。