基于高效 Transformer 模型的 7T T1 图从 1.5T 和 3T T1 MRI 合成
摘要
目的：超高场 7T MRI 相对于标准临床场强（1.5T、3T）提供更好的分辨率和对比度。然而，7T 扫描仪昂贵、稀缺，并且引入额外的挑战，如悖谬性瑕疵。我们提出一种高效基于 Transformer 的模型（7T-Restormer）来合成来自常规 1.5T 或 3T T1 加权（T1W）图像的 7T 质量 T1 图。方法：我们的模型在 35 个 1.5T 和 108 个 3T T1W MRI 配对的对应 7T T1 图上进行了验证，共 141 名患者病例（32,128 片切片）随机分为 105（25；80）训练病例（19,204 片切片）、19（5；14）验证病例（3,476 片切片）和 17（5；14）测试病例（3,145 片切片），其中（X；Y）表示具有 1.5T 和 3T T1W 扫描的患者。合成的 7T T1 图与 ResViT 和 ResShift 模型进行了比较。结果：对于 1.5T 输入，7T-Restormer 模型实现了 PSNR 为 dB、SSIM 为 ，NMSE 为 ；对于 3T 输入，分别为 dB 和 。使用 10.5M 参数，我们的模型在 1.5T 时将 NMSE 相对于 56.7M 参数 ResShift 降低了 64%（ vs ，），相对于 70.4M 参数 ResViT 降低了 41%（ vs ，），在 3T 时也有类似优势（ vs 和 ；）。使用混合 1.5T + 3T 语料进行训练优于单场策略。将模型限制为 1.5T 时，1.5T NMSE 从 增加到 （），而仅在 3T 上训练则在输入 1.5T T1W MRI 上表现较差。结论：我们提出一种新方法，用于预测来自 1.5T 和 3T T1W 扫描的定性 7T MP2RAGE 图，质量优于现有一流的方法。我们的方法使 7T MRI 的优势更易融入标准临床工作流程。
引用
@article{arxiv.2507.08655,
title = {Generalizable 7T T1-map Synthesis from 1.5T and 3T T1 MRI with an Efficient Transformer Model},
author = {Zach Eidex and Mojtaba Safari and Tonghe Wang and Vanessa Wildman and David S. Yu and Hui Mao and Erik Middlebrooks and Aparna Kesarwala and Xiaofeng Yang},
journal= {arXiv preprint arXiv:2507.08655},
year = {2025}
}