近期，我院吕孟叶、刘少军老师团队联合国内多所高校与临床机构，在国际医学图像领域顶级期刊《IEEE Transactions on Medical Imaging》上发表了题为《An Unsupervised Learning Approach for Reconstructing 3T-Like Images From 0.3T MRI Without Paired Training Data》的研究论文（https://doi.org/10.1109/TMI.2025.3597401）。该论文的共同第一作者为我院生物医学工程专业研究生杨淮水同学与刘少军老师(https://hsee.sztu.edu.cn/info/1150/2460.htm)，通讯作者为吕孟叶老师(https://hsee.sztu.edu.cn/info/1150/2427.htm)。该研究工作由深圳技术大学健康与环境工程学院作为第一完成单位。特别值得强调的是，这是深圳技术大学建校以来，首次在该顶级期刊上发表学术论文，标志着我院在医学图像处理与人工智能交叉领域的研究取得了历史性的突破。

《IEEE Transactions on Medical Imaging》是IEEE旗下医学影像领域的权威学术期刊，简称TMI，聚焦医学、生命科学与成像科学交叉领域，在医学图像处理、医学影像重建、计算机辅助诊断与人工智能医学影像等方向具有重要国际影响力。TMI官网显示其2025 Journal Impact Factor为9.8，5-Year Impact Factor为11.3。

论文简介：

在临床医学诊断中，高场磁共振成像（如3T MRI）能够提供绝佳的软组织对比度和高分辨率图像，但其高昂的采购、安装及维护成本极大限制了其在欠发达地区的普及。相比之下，0.3T低场磁共振设备成本低、适应性强，但面临着信噪比低、图像模糊的挑战。为了解决这一核心痛点，本研究提出了一种基于循环一致性生成对抗网络（CycleGAN）的无监督学习算法框架。该框架能够在无需成对的高/低场训练数据（Paired Training Data）的情况下，将0.3T的低场MRI图像有效转化为高质量的3T级别图像。研究团队在模型中创新性地引入了注意力模块（Attention block）和边缘模块（Edge block），不仅动态平衡了原始低场输入与生成的高场特征，还显著提升了边界细节的重建精度。大量基于临床真实数据集（涵盖T1w、T2w和FLAIR序列）的实验表明，该方法在不牺牲解剖结构保真度的前提下，大幅提升了图像的组织对比度和信噪比，为低场MRI的临床效能提升提供了一种数据高效的无监督解决方案。

图1 论文首页

图2 机构知识库中的检索结果。本论文为我校首次在该期刊发表文章

图3 论文提出的无监督低场磁共振图像增强框架图

图4 不同方法在低场磁共振图像上的重建结果对比图。本研究提出的方法显著提升了图像信噪比和组织对比度，结果更接近参考3T高场图像