Nature 子刊：深度学习实现无配对高场扫描的儿科超低场 MRI 超分辨率重建

Nature 子刊发表一项医学影像深度学习研究，提出一种无需配对高场磁共振扫描即可对儿科超低场磁共振图像进行超分辨率重建的新方案，为资源受限地区的儿科脑部影像筛查提供了可行路径。

• 研究背景：超低场（ULF）磁共振设备具备便携、低成本与屏蔽要求低等特点，但在儿科脑成像中普遍存在信噪比低与空间分辨率受限等问题，传统超分辨率算法高度依赖“同一患者同序列”的高场（HF）配对扫描数据进行监督训练。
• 技术路线：研究团队开发了无配对监督的深度学习重建框架，利用非配对高场图像或退化建模机制学习组织解剖先验与纹理特征，在无需采集高低场配对样本的前提下完成图像分辨率增强。
• 评估结果：实验表明该方法在保持解剖结构真实性的同时提升了儿科低场图像的边缘清晰度与信噪比，减少了运动伪影对临床判读的干扰，降低了儿童患者长时间镇静扫描的风险。
• 影响/看点：该方案若能在多中心多病种的真实儿科临床队列中完成泛化性验证与幻觉伪影风险控制，意味着低成本便携式磁共振设备有望在基层医疗与低资源地区承担更多辅助筛查与随访任务。
• 资料依据：
• 1. Nature Portfolio 论文《Deep learning super-resolution of paediatric ultra-low-field MRI without paired high-field scans》：https://www.nature.com/articles/s41598-026-63077-y
• 2. bioRxiv 预印本平台（2024年11月）：https://www.biorxiv.org/content/10.1101/2024.11.12.623193v1

本内容由 AI 生成，仅供参考，请注意甄别