10月23日上午，2023年度上海市科学技术奖励大会举行。bwin官网登录入口张桂戌、方发明、周爱民团队共同完成的项目《快速磁共振成像与增强关键技术》荣获上海市自然科学奖一等奖。

团队在奖励大会现场

快速磁共振成像与增强研究助力高端医疗设备国产化

磁共振成像自上世纪七十年代由Lauterbur发明，八十年代首次应用于临床以来，凭借其高组织对比度和无电离辐射等优点，已成为不可或缺的医学影像技术之一。作为一种革命性的工具，磁共振在临床诊断和科学研究中的应用，极大地推动了医学、神经生理学等领域的快速发展。这些进展对磁共振成像提出了更高的要求，成像质量、速度及应用的可靠性成为其核心指标。

目前，医院中常用的磁共振采集设备一般采样率为75%，每幅图像的采集大约需要30秒，常规脑部扫描需近15分钟。为减少扫描时间，通常需要降低采样率，但这引发了两个矛盾：一是扫描时间与重建速度之间的矛盾，二是成像时间与影像质量之间的矛盾。这些矛盾所对应的核心科学问题和挑战性难题是：如何实现快速成像？如何提升影像质量？如何确保重建影像的准确性？

张桂戌教授带领研究团队，基于磁共振成像原理与临床需求，瞄准影像混叠问题和低分辨、伪影问题，充分利用人工智能和大数据等前沿技术，探索并建立了一套快速磁共振成像与增强算法。这项研究在理论和技术上突破了香农-奈奎斯特采样定理的限制。经过多年的努力，实现了在保证图像质量的前提下将采样率降低60%的目标。这一成果不仅支持了国家高端医疗设备国产化的战略方针，也为提升国民健康水平和推动健康民生工作贡献了力量。

团队研究内容总结

项目团队成员在进行学术讨论

深度学习模型实现低采样率下高质量磁共振影像重建

在医学成像领域，如何在降低采样率的同时重建出高质量的全采样磁共振图像，是研究难点。近年来，深度学习技术在磁共振影像重建和医学图像增强方面取得了显著进展。由于磁共振信号以K空间编码的形式存在，这一特性使得设计有效的重建模型尤为关键。目前，大多数深度学习重建方法主要关注网络结构的构建及频域数据的利用，但在极低采样率下，常常面临细节信息丢失、模型参数过多和特征学习能力不足等问题。

针对这些挑战，张桂戌教授带领的研究团队提出了一种结合变分法和深度学习的新型串联重建模型，并配合两步频域修正方法，有效解决了低采样率下的重建难题。“我们通过设计稠密网络模块并引入膨胀卷积技术，既扩大了模型的感受野，又显著减少了计算开销。”张教授指出。“同时，通过设计两步频域修正方法，我们补正了未采样相位的频域信息，使得重建结果更加自然，细节更加丰富。”这一创新方法不仅提升了图像重建质量，还显著降低了计算成本。实验结果显示，该方法在仅30%采样率下，成功重建出与75%采样率相当的图像质量，达到了降低60%采样率的目标。这一成果为磁共振影像重建带来了全新的技术思路，提升了临床影像学的成像效率。

双域两步信息修正磁共振重建方法示意图

创新去模糊与超分辨技术提升磁共振重建质量

磁共振成像扫描时间过长容易导致患者不适而不自主移动，从而造成重建图像出现伪影和运动模糊。此外，由于成像设备和环境的限制，重建后图像的分辨率较低，这会影响后续临床诊断的准确性。为了解决这些问题，重建后的图像需要进一步进行去模糊和超分辨率处理。然而，现有的去模糊方法在处理含有离群点（如冲击噪声）的模糊图像时表现不佳，同时传统超分辨率模型在图像细节信息的利用上也存在不足。

针对这一挑战，研究团队创新性地提出了一种基于局部最大梯度的模糊核估计模型。“观察发现，在图像模糊过程中，局部块的梯度最大值会减小。因此我们可以通过最大化局部梯度来约束重建图像，从而实现更精确的去模糊效果。”团队成员方发明教授介绍道。实验结果表明，这一方法显著提高了模糊核估计的准确性，极大改善了去模糊效果。

此外，研究团队还设计了一种新型多尺度残差网络，首次将图像的多尺度特征应用于超分辨率处理。通过结合去模糊与超分辨率的图像增强技术，这一创新方法有效提升了磁共振重建图像的清晰度和分辨率。在实际测试中，该方法不仅改善了图像质量，还在快速重建模型的基础上进一步降低了采样率。例如，通过2倍超分处理，可以将采样率降低75%，显著缩短了磁共振设备的扫描时间。

低质量影像去模糊与超分辨率增强方法示意图

基于演化算法的多目标优化技术助力磁共振成像重建

多目标优化是优化领域的一个主要分支，专注于同时优化多个相互冲突的目标。解决多目标优化问题的典型演化算法框架包括：（1）基于Pareto占优关系的演化算法；（2）基于分解的演化算法。团队成员周爱民教授指出：“这两类算法框架主要关注如何选择潜在的最优解进入下一代，即多目标演化算法中选择算子的实现，而忽视了如何生成高质量的新解。因此，有效利用问题信息设计启发式策略是提升演化搜索算法效率的基本原则。”

针对这一问题，张桂戌教授带领团队经过多年的理论分析，成功将连续多目标优化问题的规则特性引入演化多目标优化中，构建了Pareto最优解集的概率分布模型，并通过采样生成高质量的新解。“我们此次获奖的另一个重要成果是针对动态多目标优化问题，依据变化前后问题之间的关联性，采用时间序列方法成功预测了新解的位置。”团队骨干周爱民教授补充道。

由于演化算法是一类基于群体的搜索算法，在执行过程中会对搜索空间进行大量采样，从而积累历史数据。张桂戌教授团队提出了一个巧妙的思路：以历史数据为基础，建立一个包含在线问题知识提取、知识引导搜索机制等的计算资源自适应分配的多目标优化解决方案。这一重要技术为磁共振重建的准确性提供了坚实的理论支持。

团队成员在磁共振设备上进行算法调试

落地应用与未来工作展望

张桂戌教授团队数年来一直致力于研发国产磁共振设备的快速成像系统，旨在满足国家对于高端医疗设备国产化的重大战略需求。团队开发的人工智能成像系统已在磁共振成像设备上成功验证，实现了采样速率降低60%的突破，同时在宫颈癌检测领域展现出卓越的应用潜力。此外，团队的研究成果已成功应用于多款自主研发的设备，包括OSM70A、OPM50I和SCM150I等型号。这些国产设备已在超过一百家的地县级医院中得到应用。

“尽管已经取得了不错的成绩，但是我们依然还有很长的路要走。”团队负责人张桂戌教授表示，“随着技术的不断进步，我们需要持续优化成像系统与加速算法，以适应更复杂的临床需求。”

“我们的目标不仅是满足国家对高端医疗设备国产化的战略需求，更重要的是通过不断的创新，推动医疗技术的发展与应用。”张教授补充道。未来，团队将继续致力于研发更先进的磁共振成像技术，力争在全国范围内推广应用，进一步降低医疗成本，提高诊断准确性，为提升国民健康水平贡献更大力量。