近日，华东师范大学物理学院、医学磁共振与分子影像技术研究院、上海市磁共振重点实验室龚南杰教授团队联合北京朝阳医院杨旗教授团队、美国斯坦福大学Michael Moseley教授团队的研究论文《Enhancing Compressed Sensing and Parallel Imaging Accelerated Magnetic Resonance Angiography Using a Dual-Domain Projection GAN》近日正式在医学物理领域权威期刊《Medical Physics》正式发表！本次研究突破磁共振关键技术，实现核心性能提升约10倍，大幅提升检测效率与稳定性，使相关技术从实验室验证进一步迈向临床可用，为疾病精准诊断和临床转化提供了新的技术支撑。

1. MRI加速的“效率与质量”之困

磁共振血管成像（MRA）是诊断脑血管疾病（如动脉瘤、血管畸形、狭窄等）的重要手段，具有无创、无辐射等显著优势。然而，传统MRA扫描时间较长（一般5到10分钟），这不仅影响患者流通效率，还容易因患者运动产生伪影，在急性卒中评估等时间敏感的临床场景中尤为棘手。

压缩感知（CS） 和并行成像（SENSE） 是两种主流的加速技术——通过减少k空间数据采集量来缩短扫描时间。但加速是把双刃剑：当加速倍数超过2倍时，图像质量会明显下降——噪声增加、血管边缘模糊、细小血管丢失。

如何在大幅缩短扫描时间的同时，保证甚至提升诊断级图像质量，是长期困扰临床的核心难题，也是本团队长期攻关的技术方向。

针对上述瓶颈，本科研团队提出了DDPGAN（Dual-Domain Projection Generative Adversarial Network），一种基于深度学习的后处理框架。DDPGAN的核心创新体现在三个方面：

-双域优化（Dual-Domain）

DDPGAN同时在图像域和最大强度投影（MIP）域进行学习与优化。MIP是MRA影像诊断中最常用的可视化方式，直接在MIP层面进行约束，确保最终呈现给医生的血管图像更加清晰、连续。

-双头投影判别器（Dual-Headed Projection Discriminator）

不同于传统GAN的单输入判别器，DDPGAN的判别器同时接收3D体数据和MIP图像两个输入，从多视角约束重建质量，特别擅长恢复细小血管结构和保障血管连续性。

-生成器基于ESRGAN改进

采用残差密集块（RRDB）堆叠的深度网络结构，在保留图像保真度的同时，增强细小血管结构的恢复能力。

3. 实验结果

研究纳入了64例临床患者数据（年龄53±16岁，男性26例），涵盖CS×4、CS×6、CS×8、CS×10及 SENSE×4等多种加速场景。

定量指标全面领先

在最高的CS×10加速场景下，DDPGAN取得了PSNR=31.98 dB、SSIM=0.88、SNR=56.82的优异成绩。与CycleGAN、GRL、RED-Net、U²-NET等主流深度学习模型相比，DDPGAN在所有加速场景下均表现最优。

临床评分质的飞跃

两位经验丰富的放射科医师采用盲法对图像进行5分量表评分。结果显示：

♦CS×4加速图像经DDPGAN后处理后，评分从3.50分提升至4.64分（医师1），从3.64分提升至4.93分（医师2），甚至超过了标准全采样扫描的评分。

♦CS×10加速图像从“几乎不可诊断”（2.14分）提升至“良好至优秀”（4.00分）。

视觉对比一目了然

在CS×8和CS×10的高加速场景下，DDPGAN有效恢复了大脑中动脉远端分支和Willis环吻合支等关键结构。在SENSE×4加速中，多切片上下文融合技术显著改善了穿支动脉等细小血管的连续性。

10倍加速采集脑部血管成像效果对比

4. 让“快”与“好”不再矛盾

DDPGAN的临床价值是直接的：

♦ 扫描时间大幅缩短：以CS×10为例，扫描时间从438秒缩短至48秒，减少近390秒。

♦ 后处理开销极小：在NVIDIA RTX 3090 Ti GPU上，单序列（120层，512×512）处理时间不足30秒。

♦ 诊断质量不降反升：在多项加速场景下，DDPGAN增强后的图像质量达到甚至超过全采样标准扫描。

这意味着，DDPGAN有望在急性卒中评估等时间敏感的临床场景中发挥重要作用——患者扫描时间大幅缩短，运动伪影风险降低，医生获得的图像质量反而更好。同时该技术不与设备品牌和型号捆绑，适用于临床主流设备，可直接在医院部署使用。