近期，针对临床代谢磁共振采集慢和图像模糊的长期痛点，清华大学生物医学工程学院宋小磊课题组通过自适应微调AI技术和病人自身结构像参考，实现了脑肿瘤病人的代谢图像超分辨增强。

多对比度磁共振成像（Multi-contrast MRI）可“无创无标记”实现人体多器官结构、功能、代谢一站式成像，已成为临床诊疗和转化研究中的重要工具。然而，受“分辨率-扫描时长”的关联制约，在临床病人扫描的有限时长内，很难同时获得高空间分辨率的多对比度图像。宋小磊课题组长期根植于“代谢磁共振与多模影像”，2023年率先采用此类技术进行代谢磁共振的超分超谱增强。近期，针对多对比度超分技术临床落地的两大难点，即不同医院的设备、采集参数差异和新型对比技术如代谢MRI缺乏可用于有监督学习的大规模数据集，团队提出了“先在公开数据集上有监督训练，再在临床数据上开展测试时自适应（Test-time adaptation，TTA）微调”的二阶段框架。该微调策略和以病人自身结构像为参照的超分辨新方法，在脑肿瘤病人代谢APTw图像和联影5T的腹部图像中均取得了SOTA的良好效果。

团队所提方法以病人自身结构像为参考，实现了对低分辨输入APTw图像的超分重建，使得20分钟的扫描时间缩短至约5分钟（图1）。值得一提的是，训练采用正常受试及不含APT的公开数据集，所提方法使得仅需4个肿瘤病人即达成收敛，证明可迁移至不同临床场景的泛化性（图2）。

图1.输入低分辨代谢像（LR）和高分辨结构像参照（Ref），输出代谢像高分辨

图2.在训练集和测试集存在较大偏差情况下，所提微调网络仅需4个肿瘤病人即达成收敛

图3.在下游肿瘤分割任务上，证明ISG+FT超分辨网络可更好定义肿瘤边界

针对多对比MRI临床需求，团队在前期DANCE框架下提出了“先在公开数据集上有监督训练，再在临床数据上开展测试时自适应（Test-time adaptation，TTA）”的二阶段框架。具体创新点在于，在深度神经网络结构上提出了隐式采样与生成（Implicit Sampling and Generation，ISG）。ISG网络利用基于学习的采样和隐式自注意力机制，注重于提取语义丰富区域特征，有效提升了超分图像细节的保真性。此外，不同医院采集的图像分辨率不一致，所需的超分上采样倍数也不相同。研究团队考虑到此点，所提出的ISG网络支持任意尺度输入、任意尺度上采样倍数（Arbitrary-Scale SR）。

图4.ISG网络的具体结构

在训练范式上，为了解决真实临床数据与预训练的公开数据集之间的Domain Gap，团队提出了基于多对比度MRI数据自相关性的测试时自适应框架，即神经网络输出的超分结果应当具有丰富的高频细节，使其可以反向地作为“参考图像”，参与指导另一张低分辨率图像的超分。上述过程称为互惠学习（Reciprocal Learning）。图5红色箭头描述了互惠学习的实际过程，利用超分输出（I^Out）指导原参考图像的低分副本（I^Ref_LR），通过约束生成的（I^Ref_Rcp）从而间接优化ISG网络。

图5.无监督测试时自适应框架

研究重新审视了如何将多对比度超分算法推向实际临床应用，提出“在公开数据集上预训练、在临床数据上无监督微调”的解决方案。论文首次正式报道了对脑肿瘤病人代谢图像的超分辨重建，并在图像质量主观评价和下游肿瘤分割任务上获得了放射科医师的高度认可。

研究成果以“脑肿瘤多对比度MRI超分辨：任意尺度隐式采样与无监督微调”（Multi-contrast MRI super-resolution in brain tumors: arbitrary-scale implicit sampling and unsupervised fine-tuning）为题，于11月3日发表于《IEEE医学成像汇刊》（IEEE Transactions on Medical Imaging）。

清华大学生物医学工程学院2021级博士生陈文轩为论文第一作者，清华大学生物医学工程学院副教授宋小磊与上海科技大学生物医学工程学院教授沈定刚为论文通讯作者。合作者包括北京清华长庚医院主任医师郑卓肇和医师赵本琦。