Attention-guided super-resolution of 4D flow MRI in carotid arteries
研究人员提出一种基于深度学习的超分辨率框架，通过集成多尺度特征提取与注意力机制提升颈动脉 4D 血流 MRI 数据质量。该模型在包含 120 名患者及 240 例狭窄颈动脉的数据集上训练，利用基于分段血管几何结构和生理真实边界条件的计算流体动力学（CFD）模拟生成高分辨率地面真值作为监督学习目标。架构采用卷积块注意力模块（CBAM）引导网络关注临床相关空间特征并抑制低分辨率输入中的噪声。定量结果显示，与无注意力的基线模型相比，该注意力引导模型显著降低了均方根误差（RMSE），定性速度场轮廓分析证实了对复杂血流模式重构的改善。这些发现表明该模型能在噪声条件下恢复高保真度流场，支持利用深度学习扩展 4D 血流 MRI 在非侵入性血流动力学评估中的临床效用。