SD-DiffMSR：结构引导的双域扩散用于多对比度核磁共振成像超分辨率

《Digital Signal Processing》：SD-DiffMSR: Structure-Guided Dual-Domain Diffusion for Multi-Contrast MRI Super-Resolution

　　

• •
  结构引导的扩散先验在MRI超分辨率中保持解剖一致性。
• •
  FAFM自适应细化频谱特征以恢复精细细节。
• •
  双域优化将空间细化与局部k空间正则化联系起来。
• •
  SD-DiffMSR改进了多对比度和单模态MRI重建。
• •
  以适度的计算开销实现了稳定的性能提升。

引言

磁共振成像（MRI）因其无电离辐射、高软组织对比度和多参数成像能力，已成为临床诊断和疾病随访中核心的医学影像模态[1], [2], [3], [4]。然而，获取高分辨率（HR）MRI图像通常需要较长的扫描时间。长时间扫描不仅增加患者不适，还会引入运动伪影，从而限制MRI在实际临床工作流程中的效率。

为加速成像，临床实践常通过降低空间分辨率或欠采样策略获取低分辨率（LR）图像。虽然这些方法能有效缩短扫描时间，但不可避免地导致结构细节丢失，并可能损害对细微解剖特征或病灶的准确识别。因此，在不增加扫描时间的情况下，从LR采集中恢复高质量的HR图像已成为医学图像处理领域的关键研究热点[5], [6], [7], [8]。

深度学习的最新进展显著提升了MRI超分辨率（SR）的性能。卷积神经网络（CNN）和基于Transformer的架构已被广泛用于学习从LR到HR图像的非线性映射，从而改善空间细节恢复[5], [6], [9], [10], [11], [12], [13], [14], [15]。此外，多对比度MRI超分辨率方法利用不同对比度序列（如T1、T2和PD）之间的互补信息，提升了解剖一致性和组织对比度保持[16], [17], [18], [19]。尽管取得了这些进展，大多数现有方法仍侧重于空间域特征学习，对MRI采集中固有的频域特性关注有限。因此，精细解剖结构和组织边界可能恢复不足，尤其是在临床重要区域。

尽管基于深度学习的MRI超分辨率最近取得了进展，但大多数现有方法仍主要依赖空间域建模，缺乏显式的频域约束，导致高频恢复不稳定和边界保持次优[20], [21]。扩散模型（DM）最近在图像生成和恢复方面展现了强大能力[22], [23], [24], [25]，并已被引入MRI重建以缓解基于回归的方法的过度平滑问题[26], [27], [28]。然而，这些方法在确保解剖和频谱一致性重建方面仍约束不足。

仍存在两个关键局限性。首先，基于扩散的先验生成通常仅受输入中提取的解剖结构弱约束，可能导致结构不一致的细节，尤其是在复杂区域。其次，大多数方法缺乏显式的频率感知建模和频谱约束，可能导致非物理伪影并降低域偏移下的鲁棒性。更根本地，这些局限性反映了解剖结构与频谱表征之间的不一致性。可靠的MRI重建不仅需要准确的空间细节恢复，还需要与底层k空间分布的一致性。当这些方面未被联合建模时，重建图像可能在视觉上看似合理，但仍包含解剖学上不合理或频谱不稳定的细节。这一问题在临床场景中尤为关键，因为重建误差可能影响诊断解读。

这一观察促使我们构建一个统一的重建框架，该框架不将结构引导、频率建模和域一致性视为独立组件。相反，这些因素应被联合优化，因为解剖结构、频谱特性和采集域约束在MRI重建过程中本质上是耦合的。因此，一个可靠的重建框架应在统一的扩散过程中协调先验生成、特征变换和空间-频率一致性。

为解决上述局限性，我们提出了一个统一的结构引导双域扩散框架，将先验生成、特征变换和空间-频率一致性整合为相互增强的重建过程。其核心思想是结构信息、频率特性和采集域约束是互补的，应在整个扩散重建过程中联合考虑。具体而言，结构先验为基于扩散的生成提供可靠的解剖引导，频率感知调制促进精细细节的恢复，双域约束进一步增强空间-频率一致性。同时，这些组件相互作用，逐步提高重建可靠性。

本工作的主要贡献总结如下：

• 1.
  结构引导的先验建模。提出了一种结构引导的先验建模机制，将低分辨率观测中提取的解剖结构表示显式融入扩散先验生成过程。提取的结构表示被同时用于潜在先验生成和重建调制。它条件化反向扩散，并随后被重用构建面向重建的调制先验，建立了从先验生成到特征变换的持续结构引导。
• 2.
  频率感知特征调制。将频率感知特征调制（FAFM）集成到先验引导的前馈路径中，将频谱信息显式融入特征变换，从而改善精细解剖细节的表示。
• 3.
  双域协同一致性优化。为进一步提高重建保真度，引入双域协同一致性优化策略，协调空间域细化和频域正则化，从而减少残余的空间和频谱不一致性。

章节片段

基于深度学习的MRI超分辨率方法

基于深度学习的MRI超分辨率方法通常通过学习从低分辨率（LR）到高分辨率（HR）图像的映射来提高空间分辨率。Pham等人[5]采用3D卷积神经网络进行多尺度特征建模，在脑部MRI超分辨率中取得了良好的重建性能。相关多尺度MRI重建策略也已被研究[29]。

Chen等人[6]将对抗学习与多层密集连接相结合

整体架构

我们提出了SD-DiffMSR，一种用于多对比度MRI超分辨率的结构引导双域扩散框架。基于DiffMSR [36]的扩散重建范式，SD-DiffMSR通过联合建模解剖结构、频谱特性和重建域一致性而开发，这些在MRI超分辨率中本质上是耦合的。这种统一设计使结构先验、频率感知特征变换和双域约束能够

数据集与评估指标

为全面评估所提出的SD-DiffMSR框架的有效性、鲁棒性和跨域泛化能力，我们在两个公共MRI数据集（即fastMRI Knee和fastMRI Prostate）以及一个真实世界临床膝关节MRI数据集上进行了实验。这些数据集共同支持域内多对比度重建、缺失辅助模态下的鲁棒性和零样本跨域泛化的评估。

结论

本文提出了SD-DiffMSR，一种用于多对比度MRI超分辨率的结构引导双域扩散框架。该框架将结构引导引入基于扩散的先验建模，将频率感知调制融入特征变换，并将空间细化与局部k空间正则化相结合。这些机制旨在从互补的角度解决重建误差，包括解剖先验一致性、频谱

CRediT作者贡献声明

Junjie Ouyang：方法学、软件、调查、数据管理、形式分析、可视化、写作 – 初稿。Guangmang Cui：概念化、方法学、监督、写作 – 审阅与编辑。Jufeng Zhao：资金获取、项目管理、监督、写作 – 审阅与编辑。Kun Luo：概念化、监督、写作 – 审阅与编辑。Christakis Damianou：资源、验证、写作 – 审阅与编辑。Yan Liu：数据管理、调查、

利益冲突声明

作者声明，他们不存在已知的可能影响本论文所报告工作的竞争性经济利益或个人关系。

Junjie Ouyang|Guangmang Cui|Jufeng Zhao|Kun Luo|Christakis Damianou|Yan Liu