1.摘要
近年来，随着硬件设计不断成熟，以及 AI 技术在图像重建和增强中的应用，低场 MRI 的成像质量和临床应用潜力持续提升，因此重新受到了关注。与高场 MRI 相比，低场系统具有成本更低、部署更灵活、可及性强等优势，但同时也面临信噪比低、分辨率不足和伪影明显等挑战。深度学习的发展为低场 MRI 的图像改善提供了新的技术路径。本综述系统梳理了深度学习在低场MRI中的两种核心应用——去噪与超分辨，涵盖从监督式U‑Net、生成对抗网络（GAN）到扩散模型（DM）的技术演进，并讨论了数据依赖性、可解释性等现实挑战。总体而言，低场 MRI 正在从“低成本替代方案”逐步走向“具有独特临床价值的成像平台”，而深度学习正是推动这一转变的重要力量。
2.去噪模型：监督式与无监督学习
2.1 监督式去噪：U-Net 架构及其扩展
U-Net 是低场 MRI 去噪中最常见的基础结构之一。其编码器—解码器加跳跃连接的设计，既能提取特征，又能尽量保留高频细节，因此非常适合医学图像恢复。相关研究中，3D 各向异性 U-Net 被用于低场到高场的图像质量传递(image quality transfer, IQT)，在多个数据集上表现出较好的恢复效果。去噪自编码器（Denoising Autoencoder, DAE）则进一步简化了结构，适合跨场强迁移。针对便携式 MRI 中常见的电磁干扰问题，残差 U-Net 也被用于直接预测无干扰信号，显示出较强的实用性。
图1. 各向异性U‑Net架构
除图像域方法外，也有研究直接在 k 空间中进行重建或去噪。例如 AUTOMAP 通过端到端学习原始信号到图像的映射，在超低场系统中表现出较好的鲁棒性。另一些工作则结合分类模型、可视化方法和迁移学习，实现了伪影识别、信号恢复和快速成像的联合优化。总体来看，监督式去噪方法已经从单纯的图像修复，逐步走向更强调结构保真和跨场景适应性的方向。
图2. AUTOMAP网络架构
2.2 监督式去噪：U-Net 架构及其扩展
由于监督学习依赖配对数据，而这在临床中并不总是容易获得，因此无配对学习打破了这一限制。GAN 和 CycleGAN 是其中代表性方法，它们能够在缺少严格配对数据的情况下，实现低场到高场图像的转换。
图3. Cycle‑GAN在LF‑MRI去噪中的工作流程（两个生成器+两个判别器）
在此基础上，一些研究进一步引入残差块、结构损失和多模态评估，以提高重建结果的解剖一致性。扩散模型则是近年来的热点方向。与传统 GAN 相比，扩散模型在生成稳定性和细节恢复方面表现更突出，也为低场 MRI 的零样本增强提供了新的可能。不过，这类方法通常需要更高的计算资源，且推理流程相对复杂。因此，如何在效果和效率之间取得平衡，仍是后续研究的重要方向。
图4.扩散模型
3.基于深度学习的超分辨方法
3.1监督式超分辨：CNN 与残差学习架构
超分辨的核心目标是从低分辨率低场图像中恢复更清晰的结构细节。这对于病灶识别、组织分割和定量分析都非常关键。在这一方向上，U-Net、DenseNet、残差学习和注意力机制被广泛应用。有研究通过级联 3D U-Net 实现图像超分辨与合成，并进一步结合分割任务，提升了结果的一致性。也有工作利用多通道输入和多尺度特征提取，更好地恢复婴幼儿脑部等结构细节。
图5. 监督式超分辨网络架构
另外，一些模型将压缩感知的迭代框架展开为可学习网络，将数据一致性与深度特征提取结合起来，在重建速度和图像质量之间取得了较好的平衡。还有研究采用稠密连接卷积块和注意力融合模块，进一步增强了结构恢复能力。总体而言，监督式超分辨已经不再只是“放大图像”，而是逐步向重建、增强与临床分割一体化发展。
3.2 自监督超分辨：GAN 模型实现
在数据有限的情况下，GAN 类方法为低场超分辨提供了更灵活的解决方案。这类框架的优势在于可以先利用大规模高场数据进行预训练，再通过少量低场数据完成适配，从而提升模型在真实低场环境中的可用性。对于数据稀缺、场景复杂的低场 MRI，这种策略具有较强的现实意义。
4.讨论
低场 MRI 深度学习研究的重点，已不再只是证明方法可行，而是进一步关注其在真实场景中的泛化能力、鲁棒性和临床可用性。数据准备仍然是基础，高质量标注、合理的数据增强以及统一的归一化和噪声标注策略，都会直接影响模型性能。
在模型选择上，U-Net 仍是最成熟、最常用的骨干结构，但不同低场系统的硬件条件差异很大，因此并不存在一种可以适用于所有场景的通用架构。泛化能力也是当前最受关注的问题之一。单一中心数据上的优异表现，并不一定能够直接转化为多中心临床应用。
此外，可解释性仍是临床接受度的重要门槛。随着模型越来越复杂，如何让医生理解模型的判断依据，已经成为低场 MRI 深度学习走向临床的必要一步。与此同时，低场系统在特定人群和特定场景中的应用潜力，也值得继续探索。
总体而言，当前领域仍面临数据稀缺、模型可解释性不足、评估标准不统一以及公开基准数据集有限等共性挑战。但可以肯定的是，随着硬件与算法的协同发展，低场 MRI 的临床价值正在不断被重新定义。