121、超分在医学影像中的应用：MRI 与 CT 图像的高分辨率重建上周三凌晨两点，我在实验室盯着屏幕上那张模糊的脑部MRI切片，心里骂了句脏话。3T的扫描仪，层厚1.5mm，重建出来的海马体边缘跟水彩画晕染似的——这要是给神经外科医生看，人家能直接把我论文扔垃圾桶。后来我试着把超分网络怼上去，结果更离谱：模型把噪声当成了纹理，给肿瘤边缘加了一圈假阳性高亮。那一刻我意识到，医学影像超分和自然图像超分根本是两个物种。为什么医学超分不能直接搬EDSR很多人觉得超分就是“低分辨率进，高分辨率出”，拿个RCAN或者SwinIR直接训就完事。我一开始也这么干，结果被审稿人骂得狗血淋头。医学影像有几个要命的特性：信噪比是命根子。MRI和CT的噪声模型完全不一样。MRI是Rician噪声，CT是泊松噪声加高斯噪声的混合体。你拿L1 loss去训，模型会把噪声也当成高频细节学进去。我踩过最大的坑就是用了VGG感知损失——VGG是在ImageNet上训的，它对医学影像里的解剖结构语义一窍不通，反而把伪影当特征强化了。分辨率不是越高越好。临床医生要的不是像素级锐利，是解剖边界的保真度。你把一个2mm层厚的CT强行超分到0.5mm，如果血管边缘偏移了0.3mm，那这个超分就是废的。我见过有人用GAN做医学超分，生成出来的图像漂亮得跟教科书插图一样，但放射科医生一看就说：“这血管走形不对，假的。”数据量极度稀缺。自然图像超分有DIV