用于可解释快速 MRI 的 Swin 可变形注意力 U-Net Transformer (SDAUT)

快速 MRI 旨在从部分观测的测量值中重建高保真图像。近年来，利用深度学习的快速 MRI 取得了蓬勃发展。同时，新颖的深度学习范式，例如基于 Transformer 的模型，在自然语言处理中快速增长，并因其卓越性能迅速应用于计算机视觉与医学图像分析。然而，由于 Transformer 的复杂性，其在快速 MRI 中的应用可能并不直接。主要障碍在于自注意力层（Transformer 的核心部分）的计算成本对于高分辨率 MRI 输入可能十分高昂。在本研究中，我们提出了一种用于求解快速 MRI 的新 Transformer 架构，将 Shifted Windows Transformer 与 U-Net 耦合以降低网络复杂度。我们引入可变形注意力以解释我们重建模型的可解释性。我们通过实验证明，我们的方法在快速 MRI 任务上持续取得优越性能。此外，与最先进的 Transformer 模型相比，我们的方法在网络参数量更少的同时揭示了可解释性。代码已公开于 https://github.com/ayanglab/SDAUT。