高频结构Transformer在磁共振图像超分辨率重建中的创新应用

针对磁共振成像(MR)中高分辨率图像获取成本高且信噪比低的问题，研究人员提出基于Transformer的高频结构Transformer(HFST)框架，通过整合T2WI梯度图和高分辨率T1WI的跨模态先验，在IXI等三大基准测试中实现PSNR最高提升1.28dB，为临床诊断提供更精准的影像支持。

　　

磁共振成像(Magnetic Resonance Imaging, MRI)作为临床诊断的"黄金标准"，其高分辨率图像能清晰呈现软组织解剖结构。然而，提升空间分辨率需要成倍延长扫描时间，不仅增加患者经济负担，还会因运动伪影降低图像质量。T2加权图像(T2WI)对组织含水量变化极为敏感，是检测水肿、炎症和肿瘤的重要工具，但其高分辨率采集尤为耗时。现有基于卷积神经网络(CNN)的超分辨率方法受限于局部感受野，难以重建细微结构特征，这促使研究者寻求突破性解决方案。

西安电子科技大学人工智能学院副教授Chaowei Fang团队在《Pattern Recognition》发表研究，创新性地将Transformer架构引入MR图像超分辨率领域。团队提出高频结构Transformer(High-frequency Structure Transformer, HFST)框架，通过并行挖掘T2WI梯度图的单模态高频先验和T1WI的跨模态结构先验，在4倍超分辨率任务中将PSNR指标提升达1.28dB，为临床提供更可靠的影像增强方案。

关键技术包含：1) 多阶段特征提取框架渐进式提升特征图分辨率；2) 基于窗口的自注意力模块并行处理单模态(T2WI梯度图)与跨模态(T1WI)特征；3) 创新性融合注意力头内(intra-head)与注意力头间(inter-head)相关性机制。实验采用IXI、BraTS2018和fastMRI三大标准数据集，其中IXI数据集包含576个MR体积图像并按500/6/70划分训练集、验证集和测试集。

【Method】部分显示，研究团队构建双分支架构：主流CNN分支处理低分辨率T2WI输入，HFST模块则通过梯度图提取高频结构特征。数学建模将输入图像表示为I_in∈R^h×w，利用Sobel算子计算梯度场作为结构先验载体。窗口自注意力采用7×7局部窗口降低计算复杂度，同时通过头间相关性聚合增强特征表达能力。

【Dataset】章节验证方法普适性：在BraTS2018数据集750个MR体积上，HFST显著改善脑肿瘤边界重建；fastMRI膝关节数据则证明其对复杂解剖结构的增强效果。定量分析显示，在IXI数据集224×224中心区域，该方法SSIM指标提升12.7%，证明其结构保持优势。

【Conclusion】强调该研究的三大突破：首次将Transformer成功应用于T2WI超分辨率；创新性设计并行模态探索机制；通过头间注意力关联增强特征提取。临床价值在于，该方法允许用扫描耗时更短的T1WI(约为T2WI的1/3时间)指导高质量T2WI重建，大幅提升诊疗效率。研究代码已在GitHub开源，为医学图像分析领域提供新范式。

值得注意的是，该工作是对会议论文[11]的扩展升级：新增多阶段特征提取策略捕获不同粒度结构特征；改进通道调制模块优化跨模态特征融合。这些改进使边缘锐度提升23%，特别适合神经外科导航等对图像精度要求极高的应用场景。