双频感知网络DFAN：基于CNN与Transformer融合的3D MRI超分辨率重建技术

本文提出创新性双频感知网络（DFAN），通过并行快速傅里叶卷积（FFC）与高频增强Transformer（HFAT）架构，实现3D MRI体积数据的多频特征协同处理。该网络创新性地采用离散余弦变换（DCT）特征嵌入策略，在IXI和BraTS 2021数据集上达到PSNR 35.72/SSIM 0.9638（×2）的优越性能，为临床医学影像诊断提供新的技术支撑。

　　

Highlight亮点

我们提出新型双频感知网络（DFAN），通过结合CNN与Transformer优势实现3D MRI超分辨率（SR）重建。该网络创新性地采用自适应频率处理模块（AFPB），包含低频编码单元（LFEU）和高频编码单元（HFEU），分别通过快速傅里叶卷积（FFC）和多向梯度滤波器（M-DGF）处理不同频域特征。交叉频率交互模块（CFIB）则通过注意力机制实现特征互补。

3D MRI超分辨率

近期基于深度学习的3D医学图像超分辨率方法备受关注。虽然3D SRCNN等研究尝试将2D方法扩展到3D领域，但简单替换卷积维度难以捕捉3D体积数据的复杂结构特征。我们的DFAN通过频域特征解耦处理，显著提升了细节重建能力。

Problem statement问题陈述

定义HR体积I_HR∈R^1×D×H×W及其降采样版本I_LR∈R^{1×D/s×H/s×W/s}。传统方法将退化过程简化为I_LR=(I_HR?k)↓_s+n，其中?表示模糊核卷积，↓_s为降采样操作。DFAN通过频域特征重建突破这一局限。

Datasets数据集

实验采用IXI数据集（含T1/T2/PD三种脑部MRI）和BraTS 2021数据集（含多模态脑肿瘤MRI）。IXI数据空间分辨率为0.94mm×0.94mm×1.20mm，包含256×256像素的100-200层切片，为模型训练提供丰富解剖细节。

Discussion讨论

尽管DFAN性能优越，其Transformer自注意力机制仍存在计算复杂度高的问题。未来将通过轻量化架构优化提升计算效率，并探索更多频域先验知识指导网络训练。

Conclusion结论

DFAN通过频域交互式特征提取，创新性地实现3D MRI体积的高质量重建。实验证明该方法在保持全局背景完整性的同时，能有效恢复高频解剖细节，具有重要临床应用价值。