NSSS｜增强高分辨率BOLD-fMRI深度学习算法：一篇关于超分辨率、分割和配准方法的综述

图像分割算法进展

深度学习在医学图像分割领域有着显著的进展，基本的深度学习算法模式见图1。U-Net采用编码器-解码器结构，适用于细胞核、器官和病变分割；而V-Net专为3D分割设计，适用于CT和MRI扫描；Attention U-Net通过注意力机制提升复杂背景下的分割精度。Transformer-based模型如Swin-Unet和TransUNet利用自注意力机制捕捉长程依赖关系，显著提升了分割性能。这些模型通过不断优化，推动了医学图像分割的发展，但在特定脑区的系统性评估仍需加强。

图1 应用于MRI超分辨率重建、分割与配准中的深度学习六大基本架构

超分辨率重建技术发展

超分辨率重建技术通过深度学习算法从低分辨率图像重建高分辨率图像，目前已应用的部分算法见图2。CNN-based方法如SRCNN和ESRCNN通过增加网络深度提升性能，但可能引入模糊或伪影；GAN-based方法如SRGAN和ESRGAN结合生成对抗网络，生成更真实的图像细节；结构保留方法如梯度引导算法通过约束梯度信息改善图像结构恢复。尽管这些方法提升了视觉质量，但计算成本高、数据异构性等问题仍需解决。

图像配准算法创新

图像配准算法分为非学习和基于学习两类。非学习方法如SIFT和SURF依赖特征提取和匹配，计算复杂度高。而深度学习方法中，监督学习通过标签数据训练模型，但依赖标注质量；无监督学习如VoxelMorph和DIRNet利用图像相似性度量减少对标注数据的依赖。深度学习方法在配准速度和精度上优于传统方法，但在局部变形和多模态配准方面仍需优化。