用于动态心脏磁共振成像重建的多尺度稀疏学习网络

段继忠，李萧

（昆明理工大学 信息工程与自动化学院，昆明650500）

摘要：动态心脏磁共振成像是一种稳健的无创成像技术，能够对心血管功能进行定量评估。然而，其临床应用受到数据采集速度相对较慢的限制。基于欠采样k空间数据获取的加速成像策略为缓解这一问题提供了切实可行的途径，但在测量数据受限的情况下实现高质量重建仍然具有挑战性。为此，我们提出了一种基于迭代展开框架的多尺度稀疏学习网络（MSSL-Net）。该网络的每个迭代重建单元融合了多尺度注意力融合模块、深度稀疏模块和梯度更新模块，从而充分挖掘图像的多尺度空间特征与稀疏先验。在两个公开心脏MRI数据集上的大量实验结果表明，在不同欠采样模式和加速因子下，MSSL-Net均显著优于对比方法。

关键词：动态心脏磁共振成像，图像重建，深度学习，深度稀疏，多尺度注意力融合  

扫二维码浏览全文   

Cite this article

Duan, J., Li, X. Multi-Scale Sparse Learning Network for Dynamic Cardiac Magnetic Resonance Imaging Reconstruction. J. Shanghai Jiaotong Univ. (Sci.) (2026). https://doi.org/10.1007/s12204-026-2919-8