本研究的核心贡献由Abel Worku Tessema、Seokha Jin、Yelim Gong和HyungJoon Cho共同完成，研究成果以论文《Robust resolution improvement of 3D UTE-MR angiogram of normal vasculatures using super-resolution convolutional neural network》的形式，于2025年发表在《Scientific Reports》。

重要发现
本研究的核心贡献在于提出了一种专为三维磁共振血管成像设计的超分辨率生成模型——梯状残差密集生成器（LSRDG）。与传统模型仅在网络末端进行上采样不同，LSRDG在每个残差密集块后均进行特征上采样，并通过跳跃连接形成梯状结构，增强了梯度流动的稳定性，减少了过拟合风险。模型采用高斯误差线性单元（GELU）激活函数，并以较小的图像块（如32³和64³）进行训练，结合L2损失函数和图像梯度约束，有效恢复了血管边缘的高频细节。在硬件方面，研究使用Nvidia A100 GPU进行训练，确保了计算效率。

实验数据来源于Wistar大鼠的对比增强三维UTE-MRA成像。健康对照组（20对数据）和中风模型组（10对数据）均通过7T MR扫描器采集，低分辨率（LR）数据矩阵大小为128³， voxel尺寸为2343μm³，扫描时间16分钟；高分辨率（HR）数据矩阵为256³，voxel尺寸为1173μm³，扫描时间66分钟。成像序列采用超短回波时间（TE=0.012ms）和单晶氧化铁纳米颗粒（MION）对比剂，以增强血管显影。数据预处理包括去噪和运动伪影校正，并通过分块重叠策略提升训练效果。

在模型性能方面，LSRDG在健康对照组数据上取得了SSIM 0.983、PSNR 36.80和MSE 0.00021的优异结果，显著优于SR-ResNet（SSIM 0.964、PSNR 34.38）和MRDG64（SSIM 0.978、PSNR 35.47）。对于中风数据，LSRDG同样表现出色（SSIM 0.963、PSNR 34.14），且视觉对比显示，其生成的超分辨率图像更接近真实高分辨率数据，尤其在血管分叉点等细微结构上复原效果突出。

与生成对抗网络（GAN）结合的训练策略（LSRDGAN）进一步提升了图像的真实感，但基于PSNR的单一训练在医疗应用中更稳定，避免了GAN可能引入的伪影。研究还对比了立方样条插值等传统方法，深度学习模型在所有指标上均远超基线。这表明LSRDG不仅适用于健康血管成像，还能泛化至病理条件（如中风），为生物医学成像提供了一种高效、可靠的超分辨率解决方案。

创新与亮点
本研究的首要创新在于突破了三维磁共振血管成像中长期存在的“分辨率-时间”权衡难题。传统高分辨率UTE-MRA需长达66分钟的扫描，易受运动伪影干扰，且难以在急性中风等场景中应用。LSRDG模型通过深度学习将扫描时间缩短至16分钟，同时将voxel尺寸减小一半（至1173μm³），实现了“快扫描、高精度”的成像目标。这一突破得益于独特的网络设计：梯状上采样机制使模型能够从低分辨率数据中多层次提取特征，而残差密集块增强了信息流动，大幅提升了血管边缘的复原能力。

在成像技术层面，研究首次将超分辨率卷积神经网络应用于真实采集（非合成）的UTE-MRA数据。与以往基于k空间降采样的方法不同，本研究直接处理临床常见的低分辨率图像，避免了数据不匹配问题。此外，模型训练中引入图像梯度损失函数，重点优化了血管壁等高对比度区域，这对于光学成像技术（如荧光显微镜）中常见的边缘模糊问题也具有借鉴意义。例如，在生物成像中，小血管或细胞边界的清晰度直接影响诊断准确性，LSRDG的梯度约束策略可迁移至其他模态。

技术价值在医疗场景中尤为突出。UTE-MRA本身能同时显示动静脉血管，结合超分辨率后，可更早检测中风引起的微小血管闭塞或狭窄。LSRDG复原的分叉结构近乎真实高分辨率图像，显著降低了误诊风险。同时，模型的轻量化设计（仅1.42M参数）使其易于部署到临床系统，与压缩感知等快速成像技术结合后，有望进一步缩短扫描时间。这种“软件赋能硬件”的思路，为光学相干断层扫描（OCT）或光声成像等新兴生物光学技术提供了参考——通过算法补偿物理限制，提升成像深度与分辨率。

最后，研究通过多维度验证（如残差图分析）确保了技术的可靠性。LSRDG在保持低计算成本（5.5 TFLOPs）的同时，推理时间仅18秒，契合临床实时需求。这一亮点不仅推动了磁共振成像的进步，也为整个生物医学成像领域提供了可扩展的深度学习框架。

总结与展望
本研究成功开发了一种基于梯状残差密集生成器的超分辨率技术，显著提升了三维UTE-MRA的图像质量和效率。通过结合新颖的网络架构、优化的损失函数和小块训练策略，模型在健康和中风模型数据上均实现了接近高分辨率图像的复原效果，且计算成本低、推理速度快。这项工作不仅解决了磁共振血管成像中扫描时间长与运动伪影的固有矛盾，还为时间敏感疾病（如中风）的快速诊断提供了实用工具。

展望未来，该技术有望进一步扩展至更多病理模型（如出血或动脉瘤），并通过增加训练数据规模提升对小血管的复原能力。临床转化方面，可探索与便携式MRI设备的结合，降低检查成本；同时，模型框架可适配于光学成像模态（如OCT），推动多模态融合诊断。尽管当前数据量有限，但深度学习与成像硬件的协同进化，将加速精准医疗时代的到来，最终让患者受益于更安全、高效的影像服务。

DOI:10.1038/s41598-025-92493-9.