高分辨率磁共振成像(MRI)序列，如3D Turbo或快速自旋回波(TSE/FSE)成像，在临床上备受欢迎，但在转换成首选方向时往往因扫描时间过长而产生模糊问题。因此，常常采用多层面二维(2D)TSE成像，因其高平面分辨率而被广泛使用，但在临床上由于体素拉长和由于阶梯状伪影而导致的横向分辨率不佳，以及由于无法生成多平面重建而受到限制。因此，需要在不同的正交成像平面上获取多个2D TSE扫描，而这样会增加整体MRI扫描时间。
2023年8月，加州大学洛杉矶分校的研究团队在IEEE Access期刊上发表了题为《High-Resolution 3D MRI With Deep Generative Networks via Novel Slice-Profile Transformation Super-Resolution》的文章。该研究提出了一种切片轮廓转换超分辨率(SPTSR)图像重建框架，利用深度生成式学习进行多层面2D TSE成像的超分辨率重建。通过训练深度生成网络实现了5.5倍的超分辨率重建，与SMORE超分辨率重建方法和常规降采样训练的网络相比，该研究的SPTSR框架在50个测试案例中展示了最佳的整体图像质量。
原文信息：
High-Resolution 3D MRI With Deep Generative Networks via Novel Slice-Profile Transformation Super-Resolution
原文链接：
https://ieeexplore.ieee.org/document/10226181
期刊信息：
IEEE Access, IF=3.9
论文创新点
