深度卷积神经网络增强非均匀傅里叶变换助力医学图像重建——慧影实验室成果发表于计算机视觉顶级期刊《International Journal of Computer Vision》
最近，陈慧军研究员团队在医学影像重建领域取得重要进展，提出了一种新型方法 DCNUFFT，将深度卷积神经网络引入非均匀傅里叶变换（NUFFT）框架中，有效提升了在稀疏采样条件下的磁共振图像重建质量。本研究发表于《International Journal of Computer Vision》（IF=11.6），题为“ Deep Convolutional Neural Network Enhanced Non-uniform Fast Fourier Transform for Undersampled MRI Reconstruction”，研究DOI：https://doi.org/10.1007/s11263-025-02378-7。论文的第一作者为清华大学慧影实验室博士李雨泽。
团队提出的DCNUFFT方法首次引入空间-频率域的全局相关性先验，突破了传统NUFFT仅关注局部频率邻近关系的假设，能够更有效地恢复k空间中高频信息，从而可以生成结构更清晰、细节更丰富的图像。研究使用相关性函数量化空间-频率数据的相关强度（见图1），并通过相关性图展示了数据间在不同“相关距离”下的局部与全局相关特征，并通过幂函数增强频率数据的全局相关性。
图1 图像空间频率域局部和全局相关性的示意图
DCNUFFT的流程图见图2，团队将深度卷积神经网络融合至非均匀傅里叶变换NUFFT流程中，大幅提升了稀疏采样条件下的磁共振图像重建质量。DCNUFFT包含三个关键模块：重排序模块（Reordering Block）引入全新的k空间数据标准化方式，使网络可适配多种采样轨迹而无需更改结构；重标定模块（Rescaling Block）通过幂函数增强空间-频率域中的局部与全局关联；重建模块（Restoration Block）则使用可学习的网络层自适应完成插值与密度补偿，并结合局部与全局路径联合恢复图像中的低频与高频信息。该方法用可训练神经网络替代传统NUFFT中的插值核和密度补偿步骤，并引入全局空间-频率域先验，有效增强了高频信息的恢复能力。
图2 DCNUFFT流程图
在心脏、大脑和肝脏的MRI数据上进行的回顾性重建实验中（采样率R=4），DCNUFFT展现出卓越性能。如图3所示，传统反NUFFT方法产生明显伪影与高噪声；基于Patch的迭代重建方法（PANO）及图像域神经网络虽能缓解伪影，但在细节恢复方面表现欠佳，PANO误差更为显著；MoDL和VN结合压缩感知与深度学习技术，略优于PANO；频率域中的Hybrid与Source-Domain方法则在细节恢复上有所提升，但仍存在较高噪声。而DCNUFFT通过联合挖掘局部与全局频率相关性，充分利用低频与高频信息，在图像对比度与细节呈现方面实现显著优势，清晰展现出心脏乳头肌、大脑脑沟及肝脏血管等结构。
图3 DCNUFFT在不同部位磁共振图像上的重建结果
在多模态医学成像中，DCNUFFT同样表现出强大的适应能力。在CT与PET等不同成像模态下，该方法均能有效抑制伪影与噪声，显著提升图像清晰度与细节还原度，优于传统算法与多种深度学习方法。临床评估中，放射科专家在图像视觉质量（VQ）和病灶识别能力（LD）上的评分显示，DCNUFFT接近全采样图像，远超其他方法。其高质量重建可在仅用四分之一数据的情况下完成，有望显著缩短扫描时间、减少辐射暴露，提升诊疗效率，具有良好的临床应用潜力。
值得一提的是，DCNUFFT具备极强的跨模态泛化能力，可在模拟数据上训练，仅需少量真实图像微调，即可广泛适配MRI、CT、PET等不同模态与采样轨迹，特别适用于高成本、低样本的医学成像场景，具有广阔的临床落地前景。
文章引用：Li, Y., Qi, H., Hu, Z. et al. Deep Convolutional Neural Network Enhanced Non-uniform Fast Fourier Transform for Undersampled MRI Reconstruction. Int J Comput Vis 133, 4158–4176 (2025). https://doi.org/10.1007/s11263-025-02378-7
