MCA-GAN：一种轻量级的多尺度上下文感知生成对抗网络，用于MRI重建

《Magnetic Resonance Imaging》：MCA-GAN: A lightweight Multi-scale Context-Aware Generative Adversarial Network for MRI reconstruction

提出基于多尺度上下文感知的双域生成对抗网络MCA-GAN，通过轻量级模块优化k空间与图像域协同重建，显著提升MRI重建质量并降低计算复杂度，实验验证其在多数据集和欠采样条件下的高效性。

　　MRI技术作为一种非侵入性且高分辨率的医学成像方法，在疾病诊断和科学研究中被广泛应用。它能够提供人体软组织结构的详细图像，并在大脑、心脏和关节等关键区域的病理检测中发挥重要作用。然而，MRI的长期扫描时间一直是其临床应用的主要障碍之一。这不仅增加了患者的不适感，还可能导致运动伪影，从而影响图像质量并降低诊断准确性。此外，长时间的扫描过程限制了MRI在紧急临床场景中的应用，例如急性中风评估、动态心脏成像或术中导航等，这些场景中快速成像至关重要。因此，如何在大幅缩短MRI采集时间的同时，保持高质量的图像重建，已成为MRI研究领域的重要课题。

传统MRI加速方法主要分为两类。第一类是并行成像（Parallel Imaging, PI）技术，如SMASH、SENSE、GRAPPA和E-SPIRiT等。这些方法通过利用多个接收线圈的同时采集信号，以减少扫描时间。PI技术的优势在于其能够有效提升成像速度，但其加速能力受到线圈数量和排列方式的限制。在高加速率下，PI容易导致信噪比（SNR）下降、伪影增多以及线圈成本上升，从而限制了其在需要更高加速率的应用场景中的使用。

第二类方法则是基于压缩感知（Compressed Sensing, CS）理论的欠采样与重建技术。CS-MRI通过在k空间中进行欠采样，从而显著缩短扫描时间，并借助稀疏表示和优化算法来恢复缺失的数据。传统CS-MRI方法通常依赖于预定义的稀疏变换，如全变分（Total Variation, TV）、小波变换（Wavelet Transform, WT）和离散余弦变换（Discrete Cosine Transform, DCT）。这些方法通过构建稀疏正则化模型来重建图像，但在高加速率下，常常会出现伪影和重建质量下降的问题。此外，稀疏变换的选择往往依赖于先验知识，因此在面对多样化的成像数据时，适应性较差。同时，这类方法所采用的迭代优化算法计算复杂度高，难以满足现实场景中对高效、实时成像的需求。

随着深度学习技术的发展，数据驱动的方法为MRI图像重建带来了新的可能性。卷积神经网络（Convolutional Neural Networks, CNNs）因其强大的特征提取能力，在MRI重建任务中表现出色。Wang等人首次将CNN应用于MRI重建，提出了一个离线、端到端的模型，能够从欠采样的数据中恢复高质量的图像。随后，Schlemper等人开发了Deep Cascade CNN，通过多层级联结构提升了动态MRI图像的重建精度。Eo等人则提出了KIKI-Net，这是一种在k空间和图像域中进行信息恢复的双域级联网络。

CNN也被用于构建对称的编码器-解码器结构，如U-Net模型。U-Net通过跳接连接（skip connections）不仅有效保留了浅层特征，还能够捕捉部分长距离的特征信息。Jin等人提出的FBPConvNet利用U-Net结构解决了生物医学成像中的逆问题。此后，U-Net及其变体在生成任务中展现出强大的性能。然而，CNN的局部感受野限制了其对复杂全局依赖关系的捕捉能力，导致其在处理精细纹理和边缘细节时效果不佳。

为了解决这些问题，生成对抗网络（Generative Adversarial Networks, GANs）被引入MRI重建任务。GAN通过生成器和判别器之间的对抗学习机制，展现出在图像生成方面的卓越能力。例如，Yang等人基于U-Net架构提出了DAGAN，并引入感知损失（perceptual loss）以提升图像纹理的真实感。Quan等人进一步发展了这一方法，提出了RefineGAN，该方法由两个级联网络组成，分别用于初始重建和细节优化，并采用循环数据一致性损失（cyclic data consistency loss）来提高复杂结构和高频信息的恢复能力。

与仅在图像域中训练的GAN不同，Shaul等人设计了一个跨域框架KIGAN，用于估计缺失的k空间数据，并分别处理混叠伪影问题。Liu等人提出的DBGAN则在双分支生成器中引入了跨阶段跳接连接和实例归一化（instance normalization），以改善信息传播和结构细节的保留。随后，Zhao等人提出了SwinGAN，这是一种基于Swin Transformer的双域GAN，利用上下文相关的相对位置编码来增强局部上下文依赖关系的建模。他们进一步提出了DiffGAN，将局部Transformer生成器与对抗性反向扩散模型结合，利用扩散模型和GAN之间的协同效应，以提升细节恢复能力和训练稳定性。

Xu等人设计了SepGAN，这是一种轻量级的GAN，通过深度可分离卷积（depthwise separable convolutions）和注意力模块（attention modules）来降低参数复杂度，同时保持较强的性能。最近，Noor等人提出了DLGAN，这是一种专门用于脑部和膝部MRI的分层GAN，表现出良好的重建精度和对混叠伪影的鲁棒性。尽管这些方法在MRI重建方面取得了显著进展，但GAN仍然面临两个关键挑战：卷积操作的局部感受野限制了其对全局结构信息的捕捉能力，导致在高加速率下图像出现模糊和细节丢失；此外，GAN模型的复杂性和参数数量较高，难以在资源受限的环境中进行高效部署。

鉴于上述挑战，本文提出了一种基于多尺度上下文感知的新型轻量级生成对抗网络——MCA-GAN。该方法能够在严重欠采样的情况下，快速重建符合临床要求的高分辨率图像。具体而言，MCA-GAN采用了双域生成器，通过协同优化k空间和图像域的数据，显著提升了重建质量。k空间生成器负责恢复欠采样的k空间数据，而图像域生成器则在图像域中进一步优化重建结果。这两个生成器通过逆傅里叶变换（Inverse Fourier Transform, IFT）连接，从而利用跨域信息实现精确的图像重建。

此外，MCA-GAN引入了四个创新模块：深度可分离局部注意力（Depthwise Separable Local Attention, DWLA）模块、自适应组重排块（Adaptive Group Rearrangement Block, AGRB）、多尺度空间上下文调制桥（Multi-Scale Spatial Context Modulation Bridge, MSCMB）以及通道-空间多尺度自注意力（Channel-Spatial Multi-Scale Self-Attention, CSMS）模块。这些模块均遵循轻量设计原则，旨在提高在欠采样条件下的重建性能，同时显著降低参数数量和计算复杂度。通过这些机制，MCA-GAN不仅能够高效地提取特征和捕捉信息，还能够在实际应用中实现更快速、更稳定的图像重建。

为了全面评估MCA-GAN的性能，我们使用了三个不同的公开数据集进行实验。其中包括来自IXI脑部数据集的T1加权MRI图像、来自MICCAI 2013脑部数据集的MRI图像，以及来自MRNet数据集的矢状位膝部切片。IXI数据集包含来自581名健康受试者的T1加权3D脑部数据。为了减少无效切片的影响，我们从每个体积中提取了100个2D矢状位切片。具体而言，37300个切片用于训练，9200个切片用于验证，剩余的切片则用于测试。这些数据集涵盖了多种解剖结构和不同的欠采样条件，为MCA-GAN的评估提供了全面的基准。

在模型复杂度的比较方面，我们对MCA-GAN与代表性GAN方法进行了参数数量（Params）和乘法-加法操作（MAdd）的对比。如表1所示，MCA-GAN在两项指标上均展现出显著优势。具体而言，MCA-GAN仅包含约532万个参数，比最近的轻量级模型SepGAN减少了约27.3%。此外，其MAdd值为109.5G，比SepGAN降低了19.6%。这些结果表明，MCA-GAN在保持高性能的同时，大幅降低了计算负担，使其更适合实际应用中的快速成像需求。

在讨论部分，我们进一步分析了MCA-GAN在解决GAN方法在MRI加速中的主要问题方面的有效性。传统GAN方法在高加速率下容易出现图像模糊和细节丢失的问题，而MCA-GAN通过引入双域生成器和轻量模块，有效缓解了这一问题。同时，该方法在参数数量和计算复杂度上均进行了优化，使得模型在资源受限的环境中具备更强的适用性。实验结果表明，MCA-GAN在不同欠采样率和欠采样掩码下的重建质量均优于其他方法，尤其是在峰值信噪比（PSNR）和结构相似性指数（SSIM）等指标上表现突出。这表明MCA-GAN不仅在图像质量上具有优势，还具备良好的跨数据集泛化能力，能够适应不同的成像条件和应用场景。

综上所述，本文的主要贡献包括以下三个方面：首先，我们提出了一种基于多尺度上下文感知的新型轻量级生成对抗网络（MCA-GAN），通过多尺度特征提取与融合，结合k空间和图像域数据的协同优化，实现了高质量的MRI重建；其次，我们设计了四个可插拔的核心模块（DWLA、AGRB、CSMS和MSCMB），这些模块通过局部注意力、组重排、多尺度自注意力和上下文特征调制等机制，提升了特征提取和信息捕捉的效率，同时显著降低了模型的参数规模和计算复杂度；最后，我们在多个公开数据集上进行了广泛的实验验证，结果表明MCA-GAN在不同欠采样率和掩码下均表现出色，其重建质量、模型效率和鲁棒性均优于现有方法，显示出良好的泛化能力和应用前景。

此外，MCA-GAN在跨数据集泛化实验中也表现出了强大的适应能力。这表明该方法不仅适用于特定的数据集，还能在不同的成像条件下保持较高的重建质量。这种泛化能力对于实际临床应用尤为重要，因为MRI数据往往来源于不同设备、不同扫描协议和不同患者群体，模型需要具备较强的适应性和鲁棒性，以确保在各种情况下都能提供可靠的图像重建结果。

在实际应用中，MCA-GAN的轻量化设计使其更适合部署在资源受限的医疗设备上，尤其是在需要实时成像的场景中。相比于传统的深度学习方法，MCA-GAN能够在不牺牲图像质量的前提下，显著减少计算时间和资源消耗，从而提高成像效率。这不仅有助于提升患者的体验，还能在紧急情况下提供更快的诊断支持，提高医疗效率。

从技术角度来看，MCA-GAN的多尺度上下文感知机制是其核心优势之一。通过引入不同尺度的特征提取和融合模块，该方法能够更全面地捕捉图像中的局部和全局信息，从而提升重建质量。这种多尺度建模策略使得MCA-GAN在处理复杂纹理和边缘细节时表现出更强的能力，这在传统方法中往往难以实现。同时，该方法通过动态优化不同域之间的信息交互，进一步增强了图像重建的准确性和稳定性。

总的来说，MCA-GAN在MRI图像重建领域展现出重要的应用价值。它不仅解决了传统方法在高加速率下图像质量下降的问题，还通过轻量设计降低了计算复杂度，提高了模型的实用性和适应性。未来的研究可以进一步探索MCA-GAN在不同成像模态和临床场景中的表现，以及如何将其与其他先进技术结合，以实现更高效、更精准的MRI图像重建。此外，随着计算硬件的发展，MCA-GAN的优化和改进也将在实际应用中发挥更大的作用，为医学影像领域带来新的突破。