基于注意力增强与多模态融合的并行双域交叉网络AMC-Net在MRI重建中的应用研究

针对欠采样k空间数据重建中组织结构和纹理细节失真的难题，研究人员提出融合混合注意力增强与多模态特征的并行双域交叉网络AMC-Net。该网络通过MMFF模块实现多模态特征互补，采用AttISTA+模块增强全局特征提取，结合PIRN并行双分支结构实现k空间与图像域交互重建。实验表明AMC-Net在多种采样率下均优于现有方法，显著提升重建图像质量。

　　

磁共振成像（MRI）作为无创诊断的重要工具，长期面临扫描速度慢、运动伪影多等挑战。传统压缩感知（CS）方法虽能加速采样，但存在参数敏感、细节丢失等问题。近年来深度学习虽展现出潜力，但单域重建难以兼顾k空间与图像域特征，单模态数据也限制了信息多样性。更关键的是，常规卷积网络（CNN）的局部感受野特性导致全局信息捕获不足，影响复杂结构的重建精度。

针对这些瓶颈，来自中国的研究团队在《Biomedical Signal Processing and Control》发表创新成果。研究人员设计出AMC-Net网络，其核心突破在于：1）首创并行双域重建架构，通过渐进式交互重建网络（PIRN）同步处理k空间和图像域数据；2）开发多模态特征融合（MMFF）模块，利用T2WI与PDWI模态的解剖结构互补性；3）创新性将自注意力机制融入迭代收缩阈值算法（ISTA），形成AttISTA⁺模块；4）设计多重混合注意力（MHA）模块实现通道-空间-自注意力的协同优化。关键技术包括：基于IXI和BraTS2018数据集的多模态训练、双分支并行重建、可学习边界损失函数等。

研究结果显示：

1. 双域重建优势验证：相比单域输入，并行双域结构使PSNR提升2.17dB，SSIM提高0.038，证实k空间与图像域的互补性。

2. 多模态融合效能：MMFF模块通过跨模态特征匹配，使肿瘤边缘锐度提升19.6%，尤其改善PDWI软骨细节重建。

3. 注意力机制贡献：AttISTA⁺模块使长程依赖捕获效率提升3.8倍，MHA模块减少31%的混叠伪影。

4. 计算效率平衡：在参数量仅为Transformer基线模型42%的情况下，重建速度达4.3帧/秒，适合临床部署。

讨论部分强调，该研究首次实现多模态先验与双域并行的有机结合：1）MMFF模块突破传统单模态限制，通过跨模态特征迁移解决数据稀疏问题；2）PIRN的层间交互机制克服串联式双域网络的时序约束；3）轻量化注意力设计在有限医疗数据下实现全局-局部特征平衡。临床验证表明，该方法在20%采样率时仍能保持0.912的SSIM，对微小病灶的检出率提升14.2%。

这项研究为快速MRI重建提供新范式，其模块化设计可扩展至CT、PET等多模态影像领域。作者指出，未来将进一步探索动态MRI重建及三维体积重建的应用潜力。