173、超分在医学影像中的应用：MRI与CT图像的高分辨率重建实战上周值班时被放射科同事拉去debug，说他们新买的3T MRI机器重建出来的T2加权像，在1mm层厚下血管边缘糊得像水彩画。我盯着屏幕上那坨模糊的灰白区域看了三秒，第一反应不是调线圈参数，而是问了一句：“你们试过超分吗？”对方愣住，以为我在说科幻片。这其实是个很典型的场景——硬件升级有天花板，但算法能帮你从现有数据里再榨出一倍分辨率。医学影像超分的特殊性：别拿自然图像那套直接套很多人第一次做医学超分，习惯性把DIV2K上的EDSR搬过来，结果在MRI上跑出一堆伪影。这里有个关键差异：自然图像的超分追求视觉真实感，医学影像的超分追求诊断保真度。你让血管壁多出0.3mm的假边缘，放射科医生会直接骂娘。我踩过最深的坑是直接用L1 loss训练SRCNN处理CT图像。CT的HU值（亨氏单位）范围是-1000到+3000，而自然图像是0-255。网络学到的映射在软组织窗（比如窗宽400，窗位40）下看起来还行，但切换到骨窗（窗宽1500，窗位600）时，骨小梁结构直接崩了。后来在数据预处理阶段加了HU值归一化到[-1,1]，并且把loss改成了感知损失+边缘损失，才勉强压住伪影。别这样写：直接对DICOM文件做双三次插值下采样作为LR。医学影像的降质过程不是简单的下采样，还有K空间截断、运动伪影、噪声放大。正确的做法是用模拟K空间欠采样，或者直接用真实配对数据（比如同一患者扫了低分辨率和高分辨率序列）。/