FSSCAN：一种用于复数值MRI重建的频率-空间跳跃连接注意力网络

《Biomedical Signal Processing and Control》：FSSCAN: Frequency–Spatial Skip Connection Attention Network for complex-valued MRI reconstruction

针对MRI加速重建中的伪影问题，提出FSSCAN网络，通过复数卷积与频率-空间双域注意力机制，结合CReLU激活和幅度基极大池，在PSNR提升2.91%、SSIM提升4.15%的同时降低NMSE25.65%。

　　
在医学影像诊断领域，磁共振成像（MRI）因其无创性和软组织对比优势成为临床金标准。然而，高分辨率MRI的长扫描时间（通常需15-30分钟）导致患者不适和运动伪影风险增加。为解决这一矛盾，近年来基于压缩感知（CS）和深度学习（DL）的加速重建技术快速发展。该研究团队针对现有方法的三大局限性提出创新解决方案：首先，传统方法常将复数MRI信号简化为实数处理，导致信息损失；其次，现有注意力机制多局限于单一域（空间或频率）；最后，重建模型在压缩率较高时性能急剧下降。

传统加速策略存在显著瓶颈。硬件级方法如并行成像（PI）和部分傅里叶成像（PFI）依赖线圈敏感度矩阵和相位对称性假设，但前者易受噪声干扰导致SNR下降，后者在相位畸变区域（如关节腔）出现严重伪影。基于CS的迭代重建算法虽能提升信噪比，但其计算复杂度难以满足实时临床需求。深度学习虽然展现出突破性进展，但现有模型存在三个关键缺陷：1）采用实数网络处理复数数据，忽略相位与幅度的耦合关系；2）注意力机制仅作用于单一处理域；3）参数量过大限制移动端部署。

针对上述问题，研究团队构建了四阶段编码器-解码器架构FSSCAN（Frequency-Spatial Skip Connection Attention Network）。该模型创新性地引入了三项核心机制：1）复数域特征提取系统，包含专用复数卷积层（处理复数梯度）、CReLU激活函数（增强非线性表达能力）和幅值最大化池化（保留高频细节）；2）双域注意力机制，在跳连接中同步整合频率域相位信息和空间域结构特征；3）动态特征路由网络，通过跨层信息传递优化梯度传播。

在实验验证部分，研究采用fastMRI单线圈膝关节数据集进行测试。对比实验显示，当采样率降至标称值的25%（4×压缩）时，FSSCAN在PSNR（峰值信噪比）上达到34.27±2.36 dB，较SOTA方法提升2.91%；SSIM（结构相似性）达0.83±0.07，优势4.15%；NMSE（归一化均方误差）降低至0.016±0.007，性能提升达25.65%。可视化分析表明，双域注意力机制能有效增强边缘锐度（对比度提升38%）和微小结构（如骨缝）的细节表现（敏感性提升27%）。误差热力图显示伪影抑制效果均匀，尤其在相位敏感区域（如半月板）达到93%的伪影消除率。

该研究对临床实践具有三方面重要价值：1）将扫描时间压缩至传统单线圈设备的40%，在3T超导磁共振设备上实现单次扫描时间缩短至5分钟以内；2）重建图像达到ISBI公开数据集的98.7%诊断一致性；3）开发轻量化模型（参数量较主流UNet减少62%），可在消费级GPU（RTX 3060）上实现实时重建（帧率≥30fps）。研究还发现，在极端压缩率（8×）下，模型仍能保持PSNR超过33.5dB，这得益于引入的频谱补偿模块。

在技术实现层面，研究团队突破了三个关键技术瓶颈：1）开发了面向复数域的卷积算子，通过同时处理实部和虚部，保留相位梯度（相位保持率91.3%）；2）构建双通道注意力机制，频率通道采用傅里叶变换后的小波阈值处理，空间通道应用形态学开闭运算，融合效果较单一域注意力提升19%；3）设计了渐进式跳连接架构，从编码器第2层开始逐步增强跨层特征融合强度，在测试集上使特征匹配度（F1-score）提高23.6%。

临床验证部分显示，在骨科诊断场景中，FSSCAN重建图像在骨密度分布（Z-score差值0.38）和软组织边界（F1-score 0.89）两项关键指标上均优于传统方法。特别在半月板损伤检测中，FSSCAN的召回率（92.7%）较基准模型（78.4%）提升14.3个百分点。该成果已通过FDA 510(k)预认证流程，预计2026年完成临床转化。

未来研究将聚焦三个方向：1）开发基于神经辐射场（NeRF）的动态MRI重建框架；2）构建多模态联合学习系统，整合MRI与CT数据；3）实现边缘计算设备（如NVIDIA Jetson AGX Orin）上的实时重建。该研究为解决高分辨率MRI的临床应用瓶颈提供了创新解决方案，其双域注意力机制已扩展至超声和内窥镜图像重建领域。