基于无监督学习的T2加权MRI到T1加权图像对比敏感域自适应转换研究

本文创新性地提出一种基于对比敏感域自适应转换网络（contrast-sensitive domain translation network）的无监督学习框架，通过对抗训练结合循环一致性、身份和注意力引导损失函数，实现从非配对T2加权（T2w）到T1加权（T1w）MRI的高保真合成。该方法在公开数据集上取得PSNR 22.403 dB、SSIM 0.775的优异指标，为减少多序列扫描时间、优化临床MRI流程提供新思路。

　　

Highlight

本研究亮点在于采用对比敏感域自适应转换网络（contrast-sensitive domain translation network with adaptive feature normalization），通过创新的无监督框架实现T2w到T1w MRI的跨模态转换。该方法突破传统需要配对数据的限制，在保持解剖细节的同时显著提升生成图像的临床适用性。

Dataset

实验采用伦敦三家医院采集的公开IXI数据集（Creative Commons CC BY-SA 3.0授权），包含581组健康志愿者的配对T1w/T2w三维脑部扫描数据，所有数据均经过严格匿名化处理。

Results

如表1所示，合成T1w图像达到平均峰值信噪比（PSNR）22.403 dB（临床标准15-30 dB），结构相似性指数（SSIM）0.775（>0.5基准）。误差分析显示：均方根误差（RMSE）0.078、平均绝对误差（MAE）0.036、归一化均方误差（NMSE）0.079，证明合成图像与真实扫描的微小偏差。

Discussion

本框架通过自适应特征归一化技术，成功解决非配对数据跨模态转换的核心挑战。定量指标与视觉评估均证实，生成的T1w图像不仅能准确再现脑部解剖结构（如灰白质边界），其像素强度分布也与真实扫描高度一致。该技术有望将常规MRI检查时间缩短30%-50%。

Conclusion

这项研究为MRI多序列合成建立了新的技术范式，其临床价值体现在：（1）减少患者扫描时间与不适感；（2）为运动伪影或扫描失败的序列提供补救方案；（3）通过虚拟增强技术降低造影剂使用需求。未来将探索该框架在病理影像中的泛化能力。

CRediT authorship contribution statement

赵俊雄：审校/验证；曾女甲：数据可视化/软件开发；赵磊：方法论构建；李娜：基金支持/概念设计。

Declaration of competing interest

全体作者声明不存在可能影响本研究结果的利益冲突。

Acknowledgments

感谢广东医科大学博士科研基金（GDMUB 2023009）和广东省基础与应用基础研究基金（2024A1515110225）的支持。