基于血管增强一致性保持扩散模型的3T到7T SWI生成方法

A vessel-enhanced consistency-preserving diffusion model for 3T-to-7T susceptibility weighted image generation

摘要

目的 缓解7T SWI临床可及性受限的问题，开发一种基于3T SWI数据的7T SWI生成方法，以实现对血管结构的更精确重建。 方法 本文提出了一种血管增强与一致性保持的扩散模型来合成7T SWI。该方法首先利用预训练的血管分割网络从3T与7T SWI中提取血管图作为血管先验，其中获得的7T血管分割图用于构建切片内血管增强损失，强化细微血管结构的重建。此外，扩散模型中还引入切片间特征融合模块与血管感知一致性约束策略，用于提升生成结果的空间连贯性。前者通过交叉注意力机制融合相邻切片的上下文特征，实现多切片间的深层信息交互；后者则通过切片间的血管感知一致性保持损失函数，对滑动窗口的重叠区域施加约束来增强切片间的生成连贯性。 结果 实验基于209对3T-7T SWI配对数据进行。定量评估结果显示，相较于次优方法EDM，所提方法的PSNR提高1.39 dB，SSIM提升2.28%，血管骨架覆盖率SCS提升6.57%，同时MAE与LPIPS分别相对下降15.84%与17.07%。定性分析进一步验证了模型在血管细节生成方面的优势，不仅能够准确还原主要的静脉结构，还能清晰描绘对比度较低的微血管结构，且生成的血管分支连续自然。消融实验结果也证实了各个模块在性能提升中的有效性与必要性。 结论 该方法能够从3T SWI有效合成具备清晰血管细节的7T SWI图像，在平衡计算资源和重建质量的同时，为相关临床与科研分析提供了有价值的工具，显示出良好的应用前景。

Abstract

Objective To develop a method for generating 7T susceptibility weighted image (SWI) from 3T SWI data for more accurate vascular structure reconstruction. Methods We propose a vessel-enhanced consistency-preserving diffusion model for synthesizing 7T SWI. This method first utilizes a pre-trained vessel segmentation network to extract vessel maps from both 3T and 7T SWI as vascular priors. The vessel maps from 7T SWI are employed to construct an intra-slice vessel-enhanced loss and reinforce the reconstructed fine vascular structures. An inter-slice feature fusion module and a vessel-aware consistency constraint are integrated into the diffusion model to enhance the spatial coherence of the generated results. The feature fusion module integrates contextual features from adjacent slices via a cross-attention mechanism, enabling deep information interaction across multiple slices. The vessel-aware consistency constraint employs an inter-slice vessel-aware consistency-preserving loss to impose constraints on overlapping regions of the sliding windows, thereby enhancing generation coherence across slices. Results The experiment conducted on 209 paired 3T-7T SWI datasets showed that, compared to the suboptimal method EDM, the proposed method increased the PSNR by 1.39 dB, improved the SSIM by 2.28%, enhanced the skeleton coverage similarity (SCS) by 6.57%, and reduced MAE and LPIPS by 15.84% and 17.07%, respectively. Qualitative analysis further validated the model's superiority in generating vascular details, including accurate restoration of major venous structures and clear delineation of low-contrast microvessels, with natural continuous vascular branches. Ablation studies confirmed the effectiveness of each individual module and their contribution to the performance gains. Conclusion The proposed method can effectively synthesize 7T SWI images with clear vascular details from 3T SWI to facilitate clinical and scientific analyses while balancing computational resource requirements and image reconstruction quality.

Graphical abstract

关键词

7T SWI生成 / 医学图像转换 / 超高场MRI / 基于分数的扩散模型 / 深度学习

Key words

7T SWI synthesis / medical image translation / ultra-high field MRI / score-based diffusion model / deep learning

磁敏感加权成像（SWI）是一种特殊的磁共振成像技术，它结合了幅度和滤波相位信息^［1］，以增强对磁敏感度差异的灵敏度，从而能够可视化脑小静脉、微出血和病理性铁沉积^{［2， 3］}。从技术上讲，SWI可在任意磁场强度下进行^［4］。但在7T等超高场强下，不仅图像的信噪比与空间分辨率会得到显著改善，其对静脉血和出血等顺磁性物质的磁敏感对比度也会同步增强^［5］。这两方面优势共同作用，最终能呈现出更清晰的血管结构与微出血等解剖细节^［6］。然而，7T MRI系统受限于高昂的成本、成像伪影以及对金属植入物更为严格的兼容性要求，目前在临床上的广泛应用仍面临挑战^{［7， 8］}。相比之下，3T MRI扫描仪在临床实践中得到了广泛应用，目前全球约有20000余台，远多于7T MRI扫描仪的100台^［9］。因此，使用3T SWI序列来生成类似7T SWI的图像是更经济实惠，更易于获取的替代方案。

随着深度学习的快速发展，从3T MRI合成7T MRI的方法也取得了显著进展，目前相关研究主要集中于传统的T1加权（T1w）MRI序列^［10］。在最早期的研究中，机器学习算法被用于建立3T和7T T1w MRI之间的映射^［11］，例如，Zhang等^［12］采用了一种交互式双域线性回归模型来学习两者之间的关系。Bahrami等^［13］和Liu等^［14］则利用基于卷积神经网络（CNN）的方法实现了从3T T1w MRI到7T T1w MRI的非线性映射。此外，基于生成对抗网络（GAN）的方法也被广泛应用，并逐渐成为从3T数据合成7T MRI的主流策略^［15］。Nie等^［16］首先采用GAN从3T MRI合成7T T2w MRI。Duan等^［17］和Wei等^［18］则引入了基于条件GAN的方法，用于从3T T1w MRI生成7T T1w MRI。然而，从3T SWI生成7T SWI面临着更大的挑战。这主要是因为不同场强下脑组织可见性的差异在SWI中比在这些传统序列中更为明显^［19］。随着磁场强度的增加，SWI对磁化率差异的敏感性显著增强，使得脑组织间的区分更为明显^［20］。具体而言，诸如深髓静脉等细小血管结构，在7T SWI中清晰可辨，但在3T SWI中常表现为模糊或不可见。因此，现有的主要针对T1w序列、旨在提升解剖对比度与空间分辨率的7T MRI合成方法，并不能直接满足7T SWI生成的需求。针对这一挑战，已有少量工作尝试改进。Zhang等^［10］提出了一种基于GAN的自监督框架SACE，通过利用冗余的3T数据辅助7T SWI合成。Li等^［15］进一步考虑到GAN方法的局限性，引入条件扩散模型以生成7T SWI。然而，这两类方法均未针对血管增强进行专门设计，导致生成的图像在细小血管显现方面仍存在不足，整体保真度亦受到影响。

基于这些观察和见解，本研究提出了一种新颖的血管增强生成框架，用于从3T SWI生成7T SWI。该框架由一个血管分割模型和一个具备切片一致性约束的血管增强扩散模型组成。具体而言，分割模型用于提取血管图，并将其作为血管先验信息融入扩散模型中，以增强血管细节的生成。此外，为了在相邻切片间保持生成结果的一致性和解剖学合理性，提出了两种策略：切片间特征融合（IFF），通过建模相邻切片之间的特征交互，实现上下文信息的整合；血管感知一致性保持（VCP），用于减轻不同切片间的血管增强响应差异，从而促进生成结果的切片间连贯性。

1 资料和方法

1.1 数据处理

本研究使用的数据集来自中国人民解放军总医院，包含209对配对的3T-7T SWI数据。数据采集已获得机构审查委员会的批准（伦理批号：S2022-616-01），并获得所有参与者的书面知情同意。所有数据均经过颅骨剥离预处理^［21］，以去除非脑组织并减少背景干扰。随后，应用刚性变换^［22］将3T SWI的脑区和7T SWI的脑区对齐，从而产生配准后的数据对。3T SWI的图像尺寸为256×256×80，体素间距为0.86 mm×0.86 mm×1.5 mm，而7T SWI的图像尺寸896×896×80，体素间距为0.24 mm×0.24 mm×1.5 mm。为了降低计算成本，7T SWI数据在轴向平面上被下采样至448×448×80，从而得到新的体素间距为0.49 mm×0.49 mm×1.5 mm。为了直观展示本研究所使用的3T与7T SWI数据在空间分辨率和磁敏感对比方面的差异，图1给出了来自同一受试者的经过预处理后的配对轴向切片示例。

在血管分割网络的训练中，随机选取50名受试者，按9∶1的比例分为训练集和验证集。监督训练的伪标签由3D Frangi^［23］血管滤波器生成。为了进一步提升网络的分割性能，在有经验的放射科医生的协助下，对20个额外样本（包括10个3T SWI和10个7T SWI，均为未配对数据）进行了人工标注，以构建微调数据集。对于扩散模型的训练，所有数据被划分为训练集，验证集和测试集，分别包含157、10和42名受试者。

1.2 方法

本研究提出的血管增强生成框架如图2所示，该框架由两部分组成：用于提取SWI血管图的血管分割网络（VSN），以及基于这些血管图生成7T SWI的血管增强一致性保持扩散模型（VCDM）。VCDM通过集成两个关键模块IFF和VCP进一步增强血管结构的生成质量。为提高生成一致性并提升处理效率，本研究的模型采用了多输入多输出策略，实现了相邻切片之间的交互以及多个切片的同时处理。

1.2.1 基于分数的扩散模型

近年来，基于分数的扩散模型在图像生成方面取得了重大进展^［24］。在该类模型中，数据通过一个前向扩散过程被持续扰动，该过程可由如下随机微分方程（SDE）描述：

dx=f(x,t)dt+g(t)d{w}_t（1）

其中时间t作为索引，函数f(\cdot ,t)和 g(t)分别被称为漂移系数和扩散系数，w_t则代表标准维纳过程。该模型通过反向扩散过程生成样本，该过程也用SDE描述如下：

dx=\left[f(x,t)-g{(t)}^{\mathrm{2}}{\nabla }_{x}log{p}_t(x)\right]dt+g(t)d\stackrel{̑}{w_t}（2）

\stackrel{̑}{w_t}表示反向标准维纳过程，{\nabla }_{x}log{p}_t(x)表示得分函数。接下来通过训练一个模型来逼近得分函数，从而求解式（2）：

s_{\theta }(x,t)\approx {\nabla }_{x}log{p}_t(x),（3）

最终，利用训练好的得分函数代入反向SDE，并使用数值SDE求解器进行积分，即可从噪声中生成图像。基于分数的扩散模型由强大的随机微分方程理论框架支持，确保了训练的稳定性和生成图像的高质量^［25］。

1.2.2 血管增强生成

7T SWI包含丰富的血管和微血管细节，在图像合成过程中难以完全恢复。为了应对这一挑战，在生成框架中引入血管增强策略，以帮助模型更好地关注血管结构，从而在合成图像中保留更多细节。在本研究中使用一个名为Swin UNETR^［26］的三维分割网络（图2B），该网络在3T和7T SWI图像上进行预训练，并共享权重。预训练完成后，利用少量精细的手动分割标签对网络进行微调，从而分别获得高质量的3T和7T血管图，并将其作为VCDM的血管先验信息。

在推理过程中，由于只有3T SWI数据可用，3T血管图与对应的3T SWI图像被连接作为条件输入，以调节合成过程。这些血管图主要编码较为明显的大血管结构，可以引导生成模型在生成图像时忠实地保留主要的静脉结构。在训练过程中，7T血管图被用于构建损失函数中的加权图，以明确指导微血管结构的重建。与缺乏精细静脉细节的3T血管图相比，降采样后的7T血管图仍能保留更多微血管信息，以此来指导整个训练过程。需要注意的是，由于血管图是二值图像，直接使用会忽略非血管区域的合成误差。为了解决这一限制，将7T血管图V(x,y)与预定义的高斯核G(x,y)进行卷积，生成连续加权图，从而既保留对血管结构的强调，又对周围区域的合成误差进行约束。高斯核定义如下：

G(x,y)=\frac{\mathrm{1}}{\mathrm{2}\pi {\sigma }^{\mathrm{2}}}exp\left(-\frac{x^{\mathrm{2}}+y^{\mathrm{2}}}{\mathrm{2}{\sigma }^{\mathrm{2}}}\right),（4）

其中\sigma控制核函数的扩展。接下来，可以得到连续加权映射图V_w：

V_w=[V*G](x,y),（5）

其中*表示卷积运算。基于该连续加权图来定义切片内血管增强损失函数（IVL）L_{\mathrm{I}\mathrm{V}}。该损失函数通过V_w对图像差异进行加权，使模型更加侧重于微血管结构的合成精度。其定义如下：

L_{\mathrm{I}\mathrm{V}}=\Vert (\widehat{T}-T){\Vert }_{V_w}^{\mathrm{2}},（6）

其中\Vert \cdot {\Vert }_{V_w}^{\mathrm{2}}表示加权和运算。\widehat{T}和T分别表示生成的7T SWI和真实的7T SWI。

1.2.3 切片间特征融合

VCDM中使用的U-Net去噪器的架构如（图3）所示，其设计为每次处理五个相邻切片。该设计使模型能够整合多切片上下文信息，并通过遍历全体积的滑动窗口机制来施加跨窗口一致性约束。此外，一次性生成五张切片还可加速推理过程。为清晰起见，全文将i表示为滑动窗口的索引，将t表示为扩散步骤的索引。在每个滑动窗口内，五个数值索引分别代表各个切片的位置。例如，T_{i-\mathrm{1,3}}^t表示第t个扩散步骤中第(i-\mathrm{1})个窗口内的第\mathrm{3}个切片。在第t个反向扩散步骤中，模型连续获取五张加噪的目标7T 切片\{T_{i-\mathrm{1,1}}^t,T_{i-\mathrm{1,2}}^t,T_{i-\mathrm{1,3}}^t,T_{i-\mathrm{1,4}}^t,T_{i-\mathrm{1,5}}^t\}，以及相应的相邻源3T切片\left\{S_{i-\mathrm{1,1}}^t,S_{i-\mathrm{1,2}}^t,S_{i-\mathrm{1,3}}^t,S_{i-\mathrm{1,4}}^t,S_{i-\mathrm{1,5}}^t\right\}和3T血管图\left\{V_{i-\mathrm{1,1}}^s,V_{i-\mathrm{1,2}}^s,V_{i-\mathrm{1,3}}^s,V_{i-\mathrm{1,4}}^s,V_{i-\mathrm{1,5}}^s\right\}作为输入。对于每个切片，这三种类型的输入沿通道维度连接起来，随后由具有共享权重的编码器处理以提取各自的特征表示。为了促进相邻切片之间的上下文信息融合，基于交叉注意力机制的切片间特征融合（IFF）模块被引入。具体而言，设滑动窗口内包含5个相邻切片的中间特征\{F_{i-\mathrm{1},j}^t{\}}_{j=\mathrm{1}}^{\mathrm{5}}。以其中任意一张切片F_{i-\mathrm{1},j}^t为例，其余四张切片的特征表示首先通过一个包含3个卷积层和一个自注意力层的融合模块，生成初步融合的特征表示\mathrm{F}\mathrm{u}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}\left(\{F_{i-\mathrm{1},k}^t\left|k\ne j\}\right.\right)。随后，在交叉注意力机制中，将该融合特征作为Key和Value，而当前切片的特征F_{i-\mathrm{1},j}^t作为Query，从而获得融合相邻切片上下文信息的集成特征表示。上述交叉注意力过程在滑动窗口内对每一张切片轮流均一地应用。最终，IFF模块输出5个集成后的特征表示，它们被分别送入权重共享的解码器，以生成相应的7T SWI 切片。

1.2.4 切片间血管感知一致性保持

为了提升生成的7T SWI图像在相邻切片间的血管结构连续性，所提模型对滑动窗口合成方案中的重叠区域施加了血管感知的切片间一致性约束，如（图3）所示。滑动窗口大小设为5，相邻窗口重叠3张切片。具体而言，本研究提出了一种血管感知一致性保持损失（VCL）来约束相邻窗口在重叠区域内的血管增强响应保持一致。由于传统的基于阈值化或骨架化的拓扑结构提取方法不可微，无法融入深度学习框架进行端到端优化，因此采用一种可微的图像处理方法，从生成的SWI切片中提取血管增强响应图，以获得对血管结构更加敏感的连续表示。设生成切片为\widehat{T}，该血管增强响应图的计算方式定义为：

R(\widehat{T})=\mathrm{ℒ}(G_{\sigma }(\widehat{T}))（7）

其中G_{\sigma }(.)表示高斯模糊，用于抑制噪声并为后续的拉普拉斯边缘检测提供稳定输入；\mathrm{ℒ}(.)表示拉普拉斯算子，用于增强细长血管结构的响应。

对于相邻的第(i-\mathrm{1})和第i个滑动窗口，分别提取其重叠区域内的3张输出切片。通过式 （7） 将每张切片转换为对应的血管增强响应图后，对每个窗口的重叠区域响应进行聚合，得到窗口级血管响应表示：

A_{i-\mathrm{1}}=\frac{\mathrm{1}}{\mathrm{3}}{\displaystyle \sum _{k=\mathrm{3}}^{\mathrm{5}}}R({\widehat{T}}_{i-\mathrm{1},k}^{\mathrm{0}}),\hspace{1em}{A}_i=\frac{\mathrm{1}}{\mathrm{3}}{\displaystyle \sum _{k=\mathrm{1}}^{\mathrm{3}}}R({\widehat{T}}_{i,k}^{\mathrm{0}})(\mathrm{8})

其中，{\widehat{T}}_{i-\mathrm{1},k}^{\mathrm{0}}表示第(i-\mathrm{1})个窗口中第k个输出切片。在此基础上，血管感知一致性保持损失VCL定义为相邻窗口聚合血管增强响应图之间的均方误差：

{\mathrm{ℒ}}_{VC}=\Vert A_{i-\mathrm{1}}-A_i{\Vert }_{\mathrm{2}}^{\mathrm{2}}(\mathrm{9})

其中\Vert \cdot {\Vert }_{\mathrm{2}}表示L2范数。最终的总体损失函数由L_{IV}和L_{VC}共同构成：

L_{fin}=L_{IV}+\lambda L_{VC}（10）

其中，\lambda是一个可调整的超参数。

1.3 实验细节

本研究在配备80 GB显存的单个NVIDIA Tesla A100 GPU上使用PyTorch进行模型训练。训练采用Adam优化器，并结合线性预热学习率策略，在200个周期内将学习率从0增加到{\mathrm{10}}^{-\mathrm{4}}。权重参数\lambda根据验证集上的表现设置为0.5。小批量大小设置为1，训练耗时约5d。实验中分别采用两种高斯核：一种用于将 7T 二值血管图转换为连续加权图，另一种用于抑制生成图像噪声，其标准差\sigma和核大小均分别设为1和5。本文采用EDM^［27］作为VCDM的backbone。在推理阶段，通过25个采样步骤生成完整的3D体积耗时约5min。

为保证对比实验的公平性，所有方法均在相同的数据集划分下进行训练与评估，并统一采用刚性配准、下采样以及强度归一化至 ［-1， 1］ 区间的预处理流程。为全面评估所提方法性能，本研究将其与几种最先进的方法进行了比较，包括基于CNN的WATNet^［28］、基于GAN的CGAN^［29］和CycleGAN^［30］、基于扩散模型的EDM^［27］，以及基于自监督学习的SACE^［10］。

在评估方面，本文采用多种图像质量评价指标，包括峰值信噪比（PSNR）、结构相似性指标（SSIM）、平均绝对误差（MAE）和基于学习的感知图像块相似性（LPIPS）。鉴于血管结构生成是本研究的重要目标，进一步从血管几何完整性的角度对生成结果进行评估。由于缺乏像素级的真实血管标注，传统分割评价指标难以直接适用。为此，本文提出一种无监督的结构感知评价指标——骨架覆盖相似性（SCS）。SCS以7T SWI图像为参考，用于评估生成图像中血管拓扑结构的还原精度。具体而言，首先对图像进行3D Frangi滤波增强与阈值分割，并提取二值血管掩码的中心线骨架；随后，计算参考图像骨架点位于生成图像骨架2个体素容差范围内的比例，作为SCS值。该指标通过量化血管中心线的空间覆盖相似性，反映了血管几何结构的重建精确性。

2 结果

2.1 对比实验结果

表1总结了各对比方法在PSNR、SSIM、MAE、LPIPS和SCS指标上的定量结果。定量数据显示，本文所提VCDM方法在各项指标上均取得最优数值。具体而言，与次优方法EDM相比，VCDM的PSNR和SSIM分别提高了1.39 dB和2.28%。此外，VCDM在LPIPS上取得了最低值，同时在SCS上获得了最高值。

图4展示了不同方法生成的7T SWI图像与参考图像的视觉对比。可观察到，所提方法生成的图像在视觉上与参考图像更为接近，能够准确合成突出的静脉结构（图4第1行放大区域），同时能较好地保留低对比度的细小血管结构，例如深髓静脉（图4第2行放大区域）。相比之下，CGAN、SACE、WATNet和CycleGAN方法生成的图像中关键血管结构恢复不足，细微血管呈现模糊，整体图像存在过度平滑现象。EDM方法在一定程度上保留了结构细节，但生成的血管分支存在紊乱与断裂现象，影响了连续性。

2.2 消融实验结果

为评估所提策略的有效性，本研究进行了消融实验，具体设置如表2所示。从Baseline开始，逐步引入切片内血管增强损失（IVL）、血管增强合成策略（VS，包含IVL及3T血管图作为条件输入）、切片间特征融合策略（IFF）以及血管感知一致性保持策略（VCP）。实验结果如表2所示：相比Baseline，引入IVL后，PSNR、SSIM和SCS分别提升0.42 dB、0.83%和4.13%；在此基础上逐步引入VS和IFF后，各项指标进一步改善；最终，完整的VCDM模型在所有定量指标上均达到最优值。

3 讨论

超高场强7T SWI在显示脑微血管结构和微出血方面具有显著优势，但其高昂的成本与有限的普及度严重制约了其临床应用^［31］。因此，基于广泛可及的3T SWI来合成接近7T SWI质量的图像，对于推动高分辨率脑血管成像的普及具有重要的临床意义。然而，现有的7T MRI合成方法多聚焦于T1w或T2w序列，专门针对SWI序列、特别是能够有效重建血管细节的生成方法仍亟待探索。

本研究创新性地提出了一个血管引导的生成框架，通过引入血管分割网络与血管增强一致性保持扩散模型，有效应对了上述挑战。与现有方法相比，本文工作的贡献主要体现在3个方面：首先，提出了一种融合血管先验的生成机制，通过将从3T和7T SWI中提取的血管分割图作为显式条件引入扩散模型，引导模型重点关注并重建关键血管结构。其次，针对传统2D扩散模型切片间一致性不足的问题，设计了切片间特征融合模块，使模型在生成单个切片时能够整合相邻切片的上下文信息，从特征层面增强三维连贯性。最后，引入了切片间的血管感知一致性保持损失，通过对滑动窗口重叠区域内的血管增强响应施加一致性约束，有效提升生成结果在三维空间中、尤其是血管结构层面的稳定性与连续性。

综合定量与定性实验结果显示，所提方法能依据3T SWI生成与参考7T SWI高度一致的图像，并在血管结构恢复方面具有显著优势。定量结果显示，本文方法在PSNR、SSIM、MAE、LPIPS及SCS等多项指标上均优于现有主流方法；定性分析进一步验证，该方法在血管连续性与细节完整性方面明显优于仅依赖像素级损失或缺乏显式血管引导的对比方法。消融实验系统地验证了各组成模块的有效性：VS策略增强了模型对血管细节的关注，VCP策略通过约束相邻窗口重叠区域内血管增强响应的一致性促进切片间平滑过渡，而IFF策略则进一步加强了跨切片特征的交互融合。各策略的逐步引入均带来了性能的持续提升，最终完整模型在所有评价指标上取得最优结果，验证了各模块设计的合理性与协同作用。

尽管所提方法在图像质量与血管精确生成方面表现出明显优势，但仍存在一定局限性。首先，血管分割网络的性能在一定程度上受限于人工标注数据的规模与质量，分割误差可能传递至生成阶段并影响最终合成效果^［32］。未来将通过引入更多高质量标注数据及更先进的分割网络以缓解该问题。其次，当前模型以降采样后的7T SWI作为生成目标，生成图像在空间分辨率上仍与原始7T SWI存在差距。后续工作可结合超分辨率模型或多尺度建模策略，进一步提升生成结果的空间细节表现。此外，本文实验数据均采集自西门子扫描仪，样本来源相对单一，未来仍需引入多中心、多厂商数据以全面评估模型的泛化能力。

综上所述，本研究提出的血管增强一致性保持扩散模型，能够从3T SWI生成血管结构更清晰、保真度更高的类7T SWI图像。该方案有望在无需升级硬件的前提下，于临床实践中提供更高质量的脑血管影像，辅助对脑血管疾病、微出血及肿瘤等病变的定位与评估，具有重要的临床应用潜力与转化价值。未来的工作将集中于进一步提升模型的空间分辨率，以更精确地重现原始7T SWI中的细微血管结构与成像细节，并探索其在多中心、前瞻性临床研究中的实际效能。

参考文献

[1] 刘春岭. MRI 磁敏感加权成像(SWI)在脑出血中的应用价值分析[J]. 中国CT和MRI杂志, 2015, 13(3): 13-5.

[2] Haacke EM, Xu YB, Cheng YN, et al. Susceptibility weighted imaging (SWI)[J]. Magn Reson Med, 2004, 52(3): 612-8. doi：10.1002/mrm.20198

[3] Mittal S, Wu Z, Neelavalli J, et al. Susceptibility-weighted imaging: technical aspects and clinical applications, part 2[J]. AJNR Am J Neuroradiol, 2009, 30(2): 232-52. doi：10.3174/ajnr.a1461

[4] 杨文晖. 磁共振成像发展与超高场磁共振成像技术[J]. 物理, 2019, 48(4): 227-36.

[5] Barisano G, Sepehrband F, Ma S, et al. Clinical 7 T MRI: Are we there yet? A review about magnetic resonance imaging at ultra-high field[J]. Br J Radiol, 2019, 92(1094): 20180492. doi：10.1259/bjr.20180492

[6] Liu SF, Buch S, Chen YS, et al. Susceptibility-weighted imaging: current status and future directions[J]. NMR Biomed, 2017, 30(4): e3552. doi：10.1002/nbm.3552

[7] Forstmann BU, Isaacs BR, Temel Y. Ultra high field MRI-guided deep brain stimulation[J]. Trends Biotechnol, 2017, 35(10): 904-7. doi：10.1016/j.tibtech.2017.06.010

[8] 谢朝邦, 娄 昕. 7T磁共振成像的临床应用价值[J]. 中国医学影像学杂志, 2025, 33(5): 449-53.

[9] Ladd ME. High-field-strength magnetic resonance: potential and limits[J]. Top Magn Reson Imag, 2007, 18(2): 139-52. doi：10.1097/rmr.0b013e3180f612b3

[10] Zhang D, Duan CH, Anazodo U, et al. Self-supervised anatomical continuity enhancement network for 7T SWI synthesis from 3T SWI[J]. Med Image Anal, 2024, 95: 103184. doi：10.1016/j.media.2024.103184

[11] Bahrami K, Shi F, Zong XP, et al. Hierarchical reconstruction of 7T-like images from 3T MRI using multi-level CCA and group sparsity[C]//Medical Image Computing and Computer-Assisted Intervention -- MICCAI 2015. Cham: Springer, 2015: 659-66. doi：10.1007/978-3-319-24571-3_79

[12] Zhang YQ, Cheng JZ, Xiang L, et al. Dual-domain cascaded regression for synthesizing 7T from 3T MRI[C]//Medical Image Computing and Computer Assisted Intervention-MICCAI 2018. Cham: Springer, 2018: 410-7. doi：10.1007/978-3-030-00928-1_47

[13] Bahrami K, Shi F, Rekik I, et al. Convolutional neural network for reconstruction of 7T-like images from 3T MRI using appearance and anatomical features[C]//Deep Learning and Data Labeling for Medical Applications. Cham: Springer, 2016: 39-47. doi：10.1007/978-3-319-46976-8_5

[14] Liu XL, Qiu S, Zhou M, et al. WFANet-DDCL: wavelet-based frequency attention network and dual domain consistency learning for 7T MRI synthesis from 3T MRI[J]. IEEE Trans Circuits Syst Video Technol, 2025, 35(6): 5617-32. doi：10.1109/tcsvt.2025.3536807

[15] Li S, Deng XG, Li QW, et al. Synthetizing SWI from 3T to 7T by generative diffusion network for deep medullary veins visualization[J]. NeuroImage, 2025, 320: 121475. doi：10.1016/j.neuroimage.2025.121475

[16] Nie D, Trullo R, Lian J, et al. Medical image synthesis with deep convolutional adversarial networks[J]. IEEE Trans Biomed Eng, 2018, 65(12): 2720-30. doi：10.1109/tbme.2018.2814538

[17] Duan CH, Bian XB, Cheng K, et al. Synthesized 7T MPRAGE from 3T MPRAGE using generative adversarial network and validation in clinical brain imaging: a feasibility study[J]. Magnetic Resonance Imaging, 2024, 59(5): 1620-9. doi：10.1002/jmri.28944

[18] Wei J, Pan YS, Xia Y, et al. Learning to synthesize 7 T MRI from 3 T MRI with few data by deformable augmentation[C]//Machine Learning in Medical Imaging. Cham: Springer, 2021: 70-9. doi：10.1007/978-3-030-87589-3_8

[19] Trattnig S, Bogner W, Gruber S, et al. Clinical applications at ultrahigh field (7  T). Where does it make the difference[J]? NMR Biomed, 2016, 29(9): 1316-34. doi：10.1002/nbm.3272

[20] Liu CL, Li W, Tong KA, et al. Susceptibility-weighted imaging and quantitative susceptibility mapping in the brain: Brain Susceptibility Imaging and Mapping[J]. J Magn Reson Imaging, 2015, 42(1): 23-41. doi：10.1002/jmri.24768

[21] Billot B, Greve DN, Puonti O, et al. SynthSeg: Segmentation of brain MRI scans of any contrast and resolution without retraining[J]. Med Image Anal, 2023, 86: 102789. doi：10.1016/j.media.2023.102789

[22] Avants BB, Tustison NJ, Song G, et al. A reproducible evaluation of ANTs similarity metric performance in brain image registration[J]. NeuroImage, 2011, 54(3): 2033-44. doi：10.1016/j.neuroimage.2010.09.025

[23] Frangi AF, Niessen WJ, Vincken KL, et al. Multiscale vessel enhancement filtering[C]//Medical Image Computing and Computer-Assisted Intervention-MICCAI' 98. Berlin, Heidelberg: Springer, 1998: 130-7. doi：10.1007/BFb0056195

[24] Kawar B, Elad M, Ermon S, et al. Denoising diffusion restoration models[J]. Adv Neural Inf Process Syst, 2022, 35: 23593-606. doi：10.52202/068431-1714

[25] Cao HQ, Tan C, Gao ZY, et al. A survey on generative diffusion models[J]. IEEE Trans Knowl Data Eng, 2024, 36(7): 2814-30. doi：10.1109/tkde.2024.3361474

[26] Hatamizadeh A, Nath V, Tang YC, et al. Swin UNETR: swin transformers for semantic segmentation of brain tumors in MRI images[M]//Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries. Cham: Springer International Publishing, 2022: 272-84. doi：10.1007/978-3-031-08999-2_22

[27] Karras T, Aittala M, Aila T, et al. Elucidating the design space of diffusion-based generative models[J]. Adv Neural Inf Process Syst, 2022, 35: 26565-77. doi：10.52202/068431-1926

[28] Qu LQ, Zhang YQ, Wang S, et al. Synthesized 7T MRI from 3T MRI via deep learning in spatial and wavelet domains[J]. Med Image Anal, 2020, 62: 101663. doi：10.1016/j.media.2020.101663

[29] Mirza M, Osindero S. Conditional generative adversarial nets[J]. CoRR, 2014, abs/1411.1784.

[30] Zhu JY, Park T, Isola P, et al. Unpaired image-to-image translation using cycle-consistent adversarial networks[C]//2017 IEEE International Conference on Computer Vision (ICCV). October 22-29, 2017. Venice. IEEE, 2017: 2223-32. doi：10.1109/iccv.2017.244

[31] Rutland JW, Delman BN, Gill CM, et al. Emerging use of ultra-high-field 7T MRI in the study of intracranial vascularity: state of the field and future directions[J]. AJNR Am JNeuroradiol, 2020, 41(1): 2-9. doi：10.3174/AJNR.A6344

[32] Yang X, Liu CY, Le Minh H, et al. An automated method for accurate vessel segmentation[J]. Phys Med Biol, 2017, 62(9): 3757. doi：10.1088/1361-6560/aa6418

基金资助

国家自然科学基金(62471214)

国家重点研发计划项目(2024YFA1012002)

RIGHTS & PERMISSIONS

版权所有©《南方医科大学学报》编辑部2021