193、超分在医疗影像中的应用：基于NLSN的MRI图像增强与病灶检测

193、超分在医疗影像中的应用：基于NLSN的MRI图像增强与病灶检测

一、从一次让人抓狂的调试说起

上个月帮某三甲医院处理一批低场强MRI数据，0.35T的机器，扫描时间压缩到极限，出来的图像分辨率惨不忍睹——脑部灰白质边界模糊得像水彩画，3mm层厚下微小病灶几乎淹没在噪声里。放射科主任直接甩了句：“这图我要是敢写报告，明天就得吃官司。”

当时我手头正好在调NLSN（Non-Local Sparse Network）模型，原本是做自然图像超分的，心想能不能直接迁移过来。结果第一次跑完，PSNR倒是涨了2.3dB，但病灶区域反而出现了伪影——一个原本只有3mm的腔隙性梗死灶，在重建图像里被“脑补”成了5mm，这要是临床用了，后果不堪设想。

这个坑让我意识到：医疗超分和自然图像超分完全是两码事。自然图像你可以容忍一点纹理偏差，但医疗影像里，每一个像素都可能对应着病人的生死。

二、NLSN为什么适合MRI？——非局部稀疏的直觉

NLSN的核心思想其实很朴素：MRI图像里，同一解剖结构的像素往往具有高度相似性，比如左右半球的对称区域、同一白质纤维束上的体素。传统CNN只关注局部感受野，但病灶可能出现在任何位置，局部信息根本不够用。

NLSN的做法是：在特征空间中寻找“远亲”——那些虽然空间距离远、但结构相似的像素块，然后利用稀疏编码把它们的信息聚合起来。这恰好契合MRI的特性：脑部结构具有全局自相似性，而病灶往往是局部异常，需要全局上下文来辅助