3D 潜在扩散中的跨模态结构指导，实现稳健的 FLAIR 超分辨率

高分辨率 (HR) MRI 采集通常受到扫描时间限制的阻碍，导致各向异性或低分辨率扫描（例如厚切片 FLAIR），从而限制了诊断准确性。虽然基于深度学习的超分辨率（SR）方法显示出前景，但它们经常产生解剖细节的幻觉，这可能会损害大脑结构的完整性。为了缓解这一限制，我们引入了 MR-DiffuSR，这是一种基于多分辨率扩散的超分辨率框架，它结合了 HR T1w 结构图像先验来指导厚切片 FLAIR 扫描的恢复并在 3D 潜在空间中运行。我们的架构引入了跨模态结构 swin 注意力，它从 HR T1w 中导出结构注意力图，并将其应用于低分辨率 FLAIR 潜在特征。这种设计将解剖结构与特定形态的对比分开，有效防止幻觉。此外，我们采用混合尺度退化策略，在连续的下采样因子上训练模型，以确保对不同切片厚度的鲁棒性，同时使用基于 DINOv3 的感知损失进行优化以保留高频语义细节。在 ADNI-4 和 ADNI-2 数据集上进行评估，MR-DiffuSR 超越了 CNN 和 2D 扩散方法，在所有下采样因子上实现了 32.46 dB 的平均 PSNR、0.97 的 SSIM 和 0.07 的 LPIPS。在下游白质高信号分割中，我们的模型表现出卓越的鲁棒性。虽然基线性能在 10 倍下采样时崩溃（Dice：0.51），但 MR-DiffuSR 保持了 0.63 的 Dice 分数，即使在 7 毫米等效切片厚度下也保持了实用性。