南方医科大学学报

作者：陈博湧, 汪新怡, 赵新新, 宋婷, 李永宝

单位：1.南方医科大学生物医学工程学院，广东 广州 510515；2.中山大学肿瘤防治中心//华南恶性肿瘤防治全国重点实验室//肿瘤医学协同创新中心，广东 广州 510060

关键词：磁共振引导放射治疗,Transformer,cine-MR,合成MR,深度学习,

基金：国家自然科学基金(82472117);广东省基础与应用基础研究基金(2024A1515010820);广东省基础与应用基础研究基金(2024A1515011831)

目的 探索基于Swin-ResViT网络从动态cine-MR生成高质量治疗前定位MR（sMR），提升实时影像的信噪比和对比度。 方法 提出一种融合Swin Transformer模块的ResViT模型（Swin-ResViT），通过优化瓶颈层结构以提升特征提取效率。回顾性收集2024年2~7月在中山大学肿瘤防治中心接受治疗的17例肝癌患者数据，其中12例肝癌患者的治疗中cine-MR和治疗前定位MR作为训练集，5例患者为测试集。通过量化sMR与参考定位MR的归一化均方根误差（NRMSE）、峰值信噪比（PSNR）、结构相似性指标（SSIM）、运动标记点误差以及模型推理速度，综合评估图像生成质量和模型性能。 结果 生成图像质量方面，Swin-ResViT生成的sMR相较于原始cine-MR，NRMSE、LPIPS分别下降约90%、82%（P<0.001）；PSNR、SSIM、CNR分别提升约157%、79%、181%（P<0.001）。结构准确性方面，动态sMR序列中右肝叶肝膈交界处运动标记点的平均定位误差为0.7695±0.7294 mm（P<0.05）。模型推理速度方面，对于224×224像素的单帧图像，在NVIDIA GeForce RTX 2080 Ti GPU上Swin-ResViT的平均处理时间为15.5 ms，对比标准ResViT为41.4 ms，减少了约62%。 结论 Swin-ResViT模型能从cine-MR合成高质量sMR，该方法兼具高效计算与显著图像增强优势，对实时MRgRT具有重要临床意义。

来源：2026年第4期

《南方医科大学学报》期刊编辑部

查看南方医科大学学报杂志2026年第4期