Page 44 - 《中国医疗器械杂志》2026年第1期

Chinese Journal of Medical Instrumentation 2026年 第50卷 第1期

研 究 与 论 著

欠采样等。非笛卡尔的欠采样方式包括螺旋采样、 低场磁共振快速成像的高质量图像重建。
[31]
波浪采样 等方式。通过比较笛卡尔欠采样方式和 4.4 基于深度学习的磁共振图像质量增强方法
非笛卡尔欠采样方式，并进行成像参数优化，可以 因系统场强较低且均匀性较差，低场MRI设备
在保证图像质量的同时缩短采样时间。 的图像质量通常较差，信噪比较低，这限制了其广
（ 泛应用。为了解决这一问题，AI算法的引入提供了
2）成像序列研究。在低场磁共振的快速成
像中，成像序列的创新设计起着重要的作用。现有 一个具有巨大潜力的解决方案。
的磁共振快速成像序列包含快速自旋回波序列、快 深度学习方法在图像处理领域表现出色 [33] 。
[34]
速梯度回波序列、平面回波序列、时空编码序列 [32] 2017年，WANG等 开创性地将CNN引入磁共振
等，这些序列通过设计回波链的方式对k空间数据 图像处理领域，实现了深度学习在该方向的应用
进行快速采样。结合采样方式，对序列回波时间和 突破。在MRI的图像降噪方面，针对磁共振图像的
重复时间进行调整，设计快速回波链，对各种磁共 特点搭建图像去噪网络，能够学习并识别图像中的
振序列进行比较，并进行参数优化，可以实现更快 噪声模式，进而有效去除噪声，并保留图像细节
速的磁共振成像序列。 和结构信息，提升图像质量。典型的架构包括3D-
（ WRN-VGG 、 FFA-DMRI 、 CNN-DMRI 等 算
3）图像重建研究。图像重建的优化对于低
[37]
[36]
[35]
场磁共振的快速成像是最为重要的。并行成像重建 法，如图5所示。此外，有相关研究提出了无监督
[38]
方法（如SENSE、GRAPPA等）与压缩感知重建方 学习框架，如GAN-URGAN 。基于深度学习的超
法，均以优化图像保真度和稀疏性为目标开展图像 分辨率重建技术可以将低分辨率图像重建为高分辨
重建；而深度学习重建方法则依托大数据先验知 率图像，从而提升图像的清晰度。在MRI超分辨率
识，通过神经网络实现图像重建。未来，应进一步 领域，出现了大量优秀的算法模型，有基于CNN
[40]
[39]
[41]
推进深度学习与压缩感知、并行成像的融合，将快 的算法，如SANet 、EDSR 、HR-MRI 等，还
[42]
速成像重建与超分辨、降噪技术结合，使用高场数 有基于扩散模型的DiffMSR 算法。通过这些方法
据集和低场数据集驱动低场磁共振快速成像，实现 能够提供详细的组织解剖信息。

Noisy 3D image (-) Residual image
Conv+BN+ReLU Conv+BN+ReLU Conv+BN+ReLU Conv+BN+ReLU Conv+BN Noisy MRI Channel attention Multiplication Residual MRI
Conv+ReLU Spatial attention Conv+ReLU Dilated Conv +BN+ReLU Conv+ReLU Conv+ReLU+BN Dilated Conv +BN+ReLU Conv+ReLU+BN Conv Conv Conv+ReLU+BN Conv+ReLU+BN Conv+ReLU+BN Conv

Feature extraction block Feature fusion block Attention block
Concatenate
Subtraction

Denoising MRI
Conv2D Conv3D
3D-WRN-VGG FFA-DMRI

Discriminator
Noisy image, z Denoised image Generation loss
Input image pair Encoder Decoder
4 Residual blocks
Generator Joint learning
L1 distance loss
Noise-free image, y
Noisy MRI Down-sampling Clean MRI
128 filters Up-sampling
64 filters
Real
Skip-connection for global residual learning Stack or
Noisy image, z
Input image pair fake Discrimination loss
pair
?
Noise-free image or
Discriminator
denoised image, y or x
CNN-DMRI GANs
图5 基于深度学习的磁共振图像降噪算法
Fig.5 The deep learning-based magnetic resonance imaging denoising algorithm
40