MWaveDAN：一种基于多级小波的双分支注意力网络，用于磁粒子成像中的系统矩阵校准

《Expert Systems with Applications》：MWaveDAN: Multi-Level Wavelet-Based Dual-Branch Attention Network for System Matrix Calibration in Magnetic Particle Imaging

　　林茵|郭洪波|张泽宇|钱俊|王俊|梁倩|金仓宏|陈伟|杜阳|惠琳 中国浙江省杭州市杭州城市大学计算机与计算科学学院，大数据智能计算重点实验室，310015 摘要 磁粒子成像（MPI）是一种新型的定量成像技术，能够在生物组织内实现高时空分辨率的示踪剂可视化。基于系统矩阵（SM）的图像重建是MPI领域的关键研究方向。然而，耗时的SM校准过程阻碍了这项技术的广泛应用。尽管深度学习作为一种变革性解决方案已经出现，但现有架构在处理小尺度SM图像时常常会出现不可逆的信息丢失，并且难以解析纳米粒子非线性响应中固有的尖锐方向信号梯度。我们提出了MWaveDAN，这是一种基于多级小波的双分支注意力网络，它将SM校准问题转化为一个无损超分辨率任务。通过用可逆离散小波变换（DWT）替代传统的池化操作，我们的框架确保了小网格数据的信息完整保留。我们引入了低频块（LFB）和高频块（HFB）分别精细化结构骨架和方向信号纹理，并通过注意力特征融合（AFF）模块实现跨尺度物理一致性。在模拟数据和真实世界数据上的实验验证了我们提出方法的有效性。我们相信这项研究将推动MPI技术的未来发展，并促进其在生物学应用中的普及。 引言 磁粒子成像（MPI）是一种创新的分子成像技术，利用超顺磁性氧化铁纳米粒子（SPIONs）作为靶向对比剂。该技术通过利用SPIONs的独特磁性质实现精确的病变定位。MPI的关键优势包括其出色的灵敏度、高时空分辨率以及无辐射操作特性（Gleich, Weizenecker, 2005; Thieben, Foerger, Mohn, Hackelberg, Boberg, Scheel, M?ddel, Graeser, Knopp, 2024; Weizenecker, Gleich, Rahmer, Dahnke, Borgert, 2009; Yin, Li, Bian, Chen, Liu, Zhong, Zhang, Du, Hui, Tian, 2023b）。MPI已广泛应用于生物医学成像领域，如脑部和血管成像（Gr?ser, Thieben, Szwargulski, Werner, Gdaniec, Boberg, Griese, M?ddel, Ludewig, Van De Ven, et al., 2019, Szwargulski, et al., 2020）、细胞追踪（Song, et al., 2018, Wang, et al., 2020）以及磁热应用（Lu, et al., 2020, Tay, et al., 2018）。 图像重建是MPI领域的一个核心研究焦点。在各种重建方法中，基于系统矩阵（SM）的方法因其简单性、稳定性和能够生成高质量重建图像的能力而被广泛采用（Knopp, Sattel, Biederer, Rahmer, Weizenecker, Gleich, Borgert, Buzug, 2009, Yin, et al., 2022）。然而，测量SM是一个耗时的过程。具体来说，在SM特征化过程中，需要依次扫描视场（FOV）内的每个体素，并同时获取相应的MPI信号。对于一个视场尺寸为30 mm × 30 mm × 30 mm的紧凑型3D MPI系统，这一过程通常需要大约15小时（Knopp, Gdaniec, & M?ddel, 2017）。此外，当磁场条件、设备参数或SPIONs的性质发生变化时，需要重新校准SM，从而增加劳动和时间成本。因此，快速SM校准已成为近年来MPI领域的一个关键研究方向。 目前，压缩感知（CS）和基于深度学习的方法是减少SM校准时间的主要途径。CS方法利用SM行在特定基变换下的稀疏性来恢复SM数据（von Gladi?, Ahlborg, Knopp, 2015, Grosser, M?ddel, Knopp, 2020, Ilbey, Top, Güng?r, ?ukur, Saritas, Güven, 2019, Knopp, Weber, 2013, Shi, Yin, Bian, Chen, An, Hui, Tian, 2025, Weber, Knopp, 2015）。尽管如此，基于CS的方法仍然相对耗时，且基变换下的稀疏性仍需进一步改进。最近，基于深度学习的超分辨率（SR）技术作为一种加速这一过程的策略应运而生。专门为MPI领域开发的架构，如CNN-Transformer混合模型（Güng?r et al., 2022）、无监督深度图像先验方法（Yin et al., 2023a）和迭代上采样网络（Zhang et al., 2025），显著提高了SM数据的恢复效率和重建质量。 然而，即使在这些针对MPI设计的框架中，仍存在一个关键挑战：如何在保持稀疏结构骨架的同时精细化细粒度信号纹理。大多数现有模型尽管具有领域特异性，但仍依赖于传统的卷积池化或标准自注意力机制。这些操作在 downsampling 过程中常常导致信息丢失，尤其是在空间维度极小的MPI SM数据（例如40 × 40体素）中更为明显。此外，这些方法主要在空间域进行处理，常常忽略了SM的固有空间频率特性，从而导致尖锐信号梯度的过度平滑。 小波变换（WT）是一种高效的多分辨率图像表征和存档方法。由于其能够在不同层次上表征上下文和纹理细节，WT为将WT集成到基于深度学习的超分辨率架构中提供了多尺度表示框架，适用于多种计算机视觉应用。已经开发了多种网络，如三层卷积结构（Kumar, Verma, & Sethi, 2017）、多层小波-CNN（Liu, Zhang, Zhang, Lin, & Zuo, 2018）和双递归框架（Xin et al., 2020），以在小波域中进行非线性映射。这种策略还扩展到了复杂任务，如RGB到HSI的转换（Wang, Mei, Wang, Zhang, & Zhan, 2024）和跨模态MRI合成（Qu, Zhang, Wang, Yap, & Shen, 2020），有效地整合了空间和频率信息。 WT与神经网络在自然图像领域的成功结合也促进了SM校准技术的发展。然而，它仍然不适用于MPI SM数据的恢复。标准的小波模型常常存在过度平滑和缺乏物理一致性的问题，因为它们没有专门的机制来独立精细化来自纳米粒子非线性磁响应的尖锐方向信号梯度。通用的频域处理方法往往无法充分利用不同尺度之间的依赖性，以将粗略的结构背景与这些细粒度的方向纹理对齐。 为了解决这些具体问题，我们提出了基于多级小波的双分支注意力网络（MWaveDAN）。MWaveDAN将每行SM数据视为一幅图像，使用可逆离散小波变换（DWT）和逆DWT（IWT）作为传统池化的无损、节能替代方案。