磁共振图像超分辨率重建：PyTorch实现与工程避坑指南

简介：面向医学影像处理与深度学习方向的毕业设计、期末大作业及课程设计需求，这份基于深度学习的磁共振超分辨率图像重建Python源码提供了可直接复现的高分项目实现。代码内含较为清晰的注释，新手也能理解网络结构、数据加载与训练流程，配合经典测试图像可快速验证重建效果。资源包共167个文件，以Python脚本为主干，辅以MATLAB脚本、XML配置文件、ImageJ宏及大量BMP测试图像，压缩包整体约20.11MB，便于本地搭建与离线调试。目前已有265人浏览学习，项目曾获导师认可，适合作为毕设、课程设计的参考基准。借助此项目可系统掌握基于深度学习的超分重建完整链路，包括数据预处理、模型训练、质量评估与可视化；内含多幅标准测试图像，方便对比算法效果，是医学图像超分辨率方向快速上手的实用工具。

1. 磁共振超分重建在解决什么：先看清这套深度学习源码的边界

磁共振成像的痛点很直接：想要更高分辨率，就要更长的采集时间，病人要躺在机器里一动不动，体动稍有偏差整层图像就废掉。这个基于深度学习实现的磁共振超分辨率图像重建python源码，解决的就是"用低分辨率的快速采集，重建出接近高分辨率质量的图像"这一核心问题。它把低分辨率输入送进一个神经网络，输出对应的高分辨率重建结果，替代传统插值算法在细节恢复上的不足。

这套源码面向两类人：一类是做医学图像处理课题的学生，拿它当基准模型做对比实验；另一类是刚进医疗影像算法方向的工程师，需要一个能跑通、能改、能出指标的训练与推理框架。方案本身不复杂，核心是一套完整的pipeline——数据退化、网络训练、指标评估三个环节串起来。做这个方向的难点不在模型结构，而在医学图像的噪声特性、数据预处理和评估口径上。这也是整个项目源码里最容易被忽略、又最能拉开差距的部分。

2. 模型选型与网络搭建：MRI超分为什么不能直接照搬自然图像超分

2.1 MRI超分与自然图像超分的四个关键差异

自然图像超分是深度学习里研究最充分的方向之一，EDSR、RCAN、SwinIR这些模型在Set5、Set14、DIV2K等基准上刷了很高的指标。很多初学者习惯直接把这些成熟模型拿来跑MRI数据，结果往往不如预期。问题不在模型本身，而在MRI数据和自然图像之间存在四个本质差异。

第一个差异是图像特性。自然图像是RGB三通道、纹理丰富、高频细节密集；MRI是灰度单通道，组织边界锐利但纹理稀疏，全局对比度低。通道注意力机制在自然图像上能显著提升性能，但在MRI上作用会打折扣——因为单通道特征图之间的通道相关性本来就不强，需要靠残差结构来弥补。

第二个差异是数据规模。自然图像超分训练集动辄上千张高质量图像，MRI公开数据集获取门槛高、数量少，很多课题实际可用的训练切片只有几百到一千张。这个数据量下，大模型很容易过拟合，训练集PSNR漂亮、验证集垮掉。所以网络结构选择的首要原则是"小而稳"，而不是追求最先进的大模型。

第三个差异是噪声模型。自然图像超分任务里的退化通常默认是双三次下采样加少量高斯噪声；MRI幅度图的噪声是Rician分布的，与信号强度相关，低信号区域噪声更明显。如果训练时只用干净的双三次降质对，模型学到的去噪能力在真实MRI噪声面前会明显不足。

第四个差异是各向异性分辨率。MRI体数据在平面内分辨率通常远高于层间方向，也就是说三维体数据在z轴的退化方式和xy平面内不一样。自然图像超分默认是二维各向同性退化，直接套用会导致重建结果的层间连续性很差。这些差异决定了选型方向：网络以残差和注意力为骨架，训练数据需要模拟更贴近真实采集的退化，而不仅仅是双三次下采样。

2.2 用PyTorch搭一个MRI超分的基准网络：简化RCAN的实现

基于上面的分析，我一般用简化版RCAN作为MRI超分项目的默认网络。RCAN的核心是残差通道注意力块，每个块内部做两次卷积，再用通道注意力为特征加权，最后包一层局部残差。全局残差把双三次插值的结果直接加在输出上，让网络只学"插值结果和真实高分辨率之间的差值"，训练初期非常稳。

import torch import torch.nn as nn import torch.nn.functional as F class CALayer(nn.Module): """通道注意力：全局池化后，用两个1x1卷积学习每个通道的权重""" def __init__(self, channels, reduction=16): super(CALayer, self).__init__() self.avg_pool = nn.AdaptiveAvgPool2d(1) self.fc = nn.Sequential( nn.Conv2d(channels, channels // reduction, 1, bias=False), nn.ReLU(inplace=True), nn.Conv2d(channels // reduction, channels, 1, bias=False), nn.Sigmoid() ) def forward(self, x): w = self.avg_pool(x) w = self.fc(w) return x * w class RCAB(nn.Module): """残差通道注意力块：两个3x3卷积 + 通道注意力，外层包一层残差""" def __init__(self, channels, reduction=16): super(RCAB, self).__init__() self.body = nn.Sequential( nn.Conv2d(channels, channels, 3, padding=1, bias=False), nn.ReLU(inplace=True), nn.Conv2d(channels, channels, 3, padding=1, bias=False), CALayer(channels, reduction) ) def forward(self, x): return x + self.body(x) class MRI_SRNet(nn.Module): """简化RCAN：适合数据量小的MRI超分任务""" def __init__(self, scale=2, num_blocks=8, channels=64, reduction=16): super(MRI_SRNet, self).__init__() self.scale = scale self.head = nn.Conv2d(1, channels, 3, padding=1, bias=False) self.features = nn.Sequential( *[RCAB(channels, reduction) for _ in range(num_blocks)] ) # 上采样用PixelShuffle，也就是亚像素卷积 self.upsample = nn.Sequential( nn.Conv2d(channels, channels * scale * scale, 3, padding=1, bias=False), nn.PixelShuffle(scale) ) self.tail = nn.Conv2d(channels, 1, 3, padding=1, bias=False) def forward(self, x): h = self.head(x) h = self.features(h) h = self.upsample(h) out = self.tail(h) # 全局残差：把双三次插值加回来，网络只学差值 base = F.interpolate( x, size=(x.shape[2] * self.scale, x.shape[3] * self.scale), mode='bicubic', align_corners=False ) return base + out

这个网络的输入是单通道灰度图，输出是相同通道数的高分辨率重建。代码里的全局残差设计值得注意：base是低分辨率输入直接插值到目标尺寸的结果，网络主体只需要学习这个结果与真实高分辨率图之间的残差。这个设计的好处是训练初始阶段的输出不会太离谱，损失下降曲线相对平滑，对学习率设置不敏感。

2.3 网络参数的设定逻辑与超分scale的对应关系

通道数channels我默认设64，数据量偏小时降到48也能接受，降到32会明显损失重建质量。MRI超分数据集通常就几百上千张，通道数给到128以上很容易在训练中期出现过拟合，验证集PSNR不再上涨甚至回落。num_blocks默认8个残差块，这是性能和显存之间的折中。如果显存紧张，4个块的版本参数量大概减半，PSNR通常只掉0.1-0.3dB，对于课程设计和工程验证完全够用。

scale参数要和训练数据的退化比例严格对应。做2倍超分时，低分辨率图像的长宽都是高分辨率的一半；做4倍超分时，PixelShuffle(4)会把通道维展开成16个子像素。有一点要特别提醒：训练和推理时使用的scale必须一致，否则上采样模块输出的尺寸不对，重建结果会出现严重的棋盘伪影。

超分scale的选取也影响整个项目的难度。2倍超分在MRI上相对好做，PSNR普遍能到37dB以上；4倍超分难度明显上升，需要更深的网络和更大的数据量。如果你的课题没有指定倍数，我建议先从2倍开始把pipeline跑通，再往4倍扩展。

3. 数据准备与预处理：从公开数据集到可训练的配对样本

3.1 数据来源与选型：真实MRI比自然图像更值得花时间

MRI超分数据集的选择直接决定项目的天花板。常见做法是使用公开的医学影像数据集，比如BraTS提供的多序列脑部MRI、fastMRI项目的真实采集数据，以及一些机构发布的T1/T2加权体数据。这些数据都走官方网站的申请流程，注明研究用途后一般可以获得访问权限。拿到手的数据通常是NIfTI格式，即.nii文件，一个文件就包含一个三维体数据，需要用专门的库读取。

如果暂时申请不到合适的数据，也可以用自然图像数据集先把网络跑通，再迁移到MRI上微调。这种做法在工程上可行，但要注意：自然图像预训练模型直接用在MRI上，重建结果的纹理风格会不自然，组织边界容易出现奇怪的高频伪影。有一个折中办法是"超分辨率辅助学习"——先在DIV2K这类自然图像上训练通用超分能力，再用少量MRI数据做微调。这种先预训练再微调的方式，比完全从零训练收敛更快，验证集PSNR也相对稳定。

我一般建议至少准备训练集150张以上、验证集20张以上的2D切片。医学影像体数据每个volume能切出几十层，如果你有5个体数据，切片后数量完全够用。如果只有一两个volume，就需要做大量的随机裁剪和翻转增强，否则网络很快就会把训练集背下来。

3.2 从3D体数据构造训练对：降采样、切片与Rician噪声

MRI数据预处理的第一步，是决定做哪种形式的超分。常见做法是做平面内超分：保持z轴层数不变，把xy平面内的分辨率提高。这种处理方式与MRI采集的物理过程一致，因为层间方向的分辨率通常远低于平面内，把z轴也纳入超分范围会引入额外的复杂性。实现时先把3D体数据按z轴切片，再把每一张2D切片当作独立的训练样本。

低分辨率输入不能直接用真实采集的低分辨率MRI，因为那样无法获得配对的真实高分辨率参考图。绝大多数项目采用的退化方案是：从高分辨率切片出发，人为做双三次降采样生成低分辨率图。这里使用的退化方式会影响模型在实际采集数据上的表现，双三次是最常用的默认值，因为它接近MRI图像重建中插值核的平滑特性。

import cv2 import numpy as np def add_rician_noise(image, noise_std): """给MRI幅度图添加Rician噪声：实部虚部分别加高斯噪声后取模""" if noise_std <= 0: return image real = image + np.random.normal(0, noise_std, image.shape) imag = np.random.normal(0, noise_std, image.shape) noisy = np.sqrt(real ** 2 + imag ** 2) return noisy def make_lr_hr_pair(hr_slice, scale=2, noise_std=0.005): """从高分辨率切片生成低分辨率输入，返回(lr, hr)训练对""" h, w = hr_slice.shape[:2] lr = cv2.resize(hr_slice, (w // scale, h // scale), interpolation=cv2.INTER_CUBIC) lr = add_rician_noise(lr, noise_std) return lr.astype(np.float32), hr_slice.astype(np.float32) def extract_slices_from_volume(volume, scale=2, noise_std=0.005): """把3D体数据按z轴切片，逐层生成训练对""" pairs = [] for z_idx in range(volume.shape[0]): hr_slice = volume[z_idx] # 跳过全黑或包含大量背景的切片，节省训练时间 if hr_slice.max() < 1e-6: continue lr, hr = make_lr_hr_pair(hr_slice, scale, noise_std) pairs.append((lr, hr)) return pairs

这段代码里有几个参数值得细看。noise_std是Rician噪声的标准差，取值需要根据图像强度范围调整。如果归一化后图像范围是0到1，noise_std=0.005属于轻微噪声，模拟的是信噪比相对较高的采集条件；调到0.02以上就接近低信噪比场景，重建难度显著增加。不要在无噪声条件下训练，否则模型在真实MRI上会遇到明显的domain gap。

cv2.resize用的是双三次插值，这是超分任务事实上的标准降质方式。有些项目会用高斯模糊后再下采样，模拟MRI的点扩散函数，但那样做的坑在于模糊核参数很难标定，调不好反而比双三次更差。第一次做这个项目时，我建议先用双三次把baseline跑出来，再去考虑更复杂的退化模型。

3.3 归一化与数据增强：MRI强度范围的处理方式

MRI图像的灰度值没有物理单位，不同扫描序列、不同设备的强度范围差异巨大，远不像自然图像那样稳定在0到255。归一化处理不当，模型在训练集和测试集上很容易出现系统性偏差。

我常用的归一化流程是：先对整批训练数据统计灰度值的1%和99%分位数，把小于1%分位的值截断为最小值，大于99%分位的值截断为最大值，然后线性映射到0到1区间。这个做法的好处是抵抗个别高亮伪影的影响，比如脑部图像中偶尔出现的亮斑，如果直接用min-max归一化，整个图像都会变暗，模型学到的特征分布会偏离实际。

def normalize_mri_volume(volume): """对MRI体数据做百分位截断和min-max归一化""" v_min = np.percentile(volume, 1) v_max = np.percentile(volume, 99) volume_clipped = np.clip(volume, v_min, v_max) volume_norm = (volume_clipped - v_min) / (v_max - v_min + 1e-8) return volume_norm.astype(np.float32)

注意v_min和v_max必须在训练集上提前算好并保存下来，推理时直接用训练集保存的数值对新数据归一化，不要在每个case上重新算分位数。否则训练和测试的归一化口径不一致，PSNR评估结果会失真，这个细节后面避坑部分还会再讲到。

数据增强层面，MRI训练对不需要太激进。随机水平翻转、垂直翻转和90度旋转就足够了，因为MRI图像本身存在解剖结构的左右对称性，这些变换不会产生不真实的样本。IMAGENET风格的随机裁剪、色彩抖动这些自然图像增强手段，在MRI上用处不大，做了反而可能把组织信号的强度分布搞乱。

4. 训练与评估：把PSNR和SSIM做到可复现水平的参数配置

4.1 损失函数的选择：L1还是L2，加不加感知损失

损失函数是超分项目里最值得花时间调的一环。MRI超分领域的主流做法已经收敛到L1损失，也就是平均绝对误差。L2损失在像素级误差比较小的时候梯度也小，导致边缘部分收敛慢，重建结果在视觉上偏模糊。L1损失的梯度在误差较小时仍然恒定，能更好地保留组织边界的锐利度。

从数值上看，L2损失训练出来的模型PSNR往往比L1略高一点点，但SSIM和视觉主观评分都不如L1。原因很直接：PSNR是均方误差的单调函数，L2损失天然在优化它；但MRI图像的临床评价更看重结构相似性和边界完整性，L1在这些指标上表现更好。如果你做的是课程设计，建议直接用L1；如果追求更精细的边缘恢复，可以在L1基础上叠加一个感知损失，比如用VGG的relu1_2或relu2_2特征层的L1距离。不过感知损失需要额外的预训练骨干网络，数据量小时容易引入不稳定的梯度，建议只在L1 baseline跑通之后再尝试。

4.2 训练配置与主循环：patch大小、学习率和梯度裁剪

MRI超分的训练配置有很强的前人经验，照抄能少走弯路。我通常使用的配置如下：

patch尺寸96x96是一个性价比很高的选择。patch太小，模型看不到足够的解剖结构上下文，重建时组织边界容易断裂；patch太大，显存占用和训练时间成倍增长，对于数据量较小的MRI项目来说收益有限。训练时把高分辨率图随机裁剪到96x96，低分辨率输入对应裁剪到48x48，数据加载的每一步都随机位置，相当于做了在线数据增强。

import torch import torch.nn.functional as F device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') model = MRI_SRNet(scale=2).to(device) optimizer = torch.optim.Adam(model.parameters(), lr=1e-4, betas=(0.9, 0.999)) scheduler = torch.optim.lr_scheduler.MultiStepLR(optimizer, milestones=[40000, 60000], gamma=0.5) for step, (lr_patch, hr_patch) in enumerate(train_loader): lr_patch = lr_patch.to(device) hr_patch = hr_patch.to(device) pred = model(lr_patch) # L1损失 + 可选的边缘梯度损失 loss = F.l1_loss(pred, hr_patch) optimizer.zero_grad() loss.backward() # 梯度裁剪是MRI超分训练里容易被忽略的一步 torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=5.0) optimizer.step() scheduler.step() if step % 500 == 0: print(f'Step {step}, Loss: {loss.item():.6f}')

clip_grad_norm_是我在多次翻车后坚持加的一行。MRI图像的强度分布偶尔会出现极端值，即使归一化后也有少量超过正常范围的像素，这些像素产生的梯度可能让模型参数在一步之内跳飞。梯度裁剪不会拖慢正常收敛，却能在关键时刻保住训练不崩。

4.3 PSNR与SSIM的评估细节：裁掉边界再算指标

评估阶段的口径不一致，是超分项目里最常见的指标虚高陷阱。很多初学者直接在网络输出的完整图像上计算PSNR，但没有注意到模型卷积层的padding在高分辨率输出边缘会留下伪影，这些伪影在指标里被算进了误差。如果验证集图像尺寸不大，padding伪影占比相当可观，PSNR可能被拉低0.3-0.5dB。

正确的做法是：评估前先裁掉网络输出相对输入尺寸多出来的边缘，或者更稳妥地在推理时先pad一圈再裁掉对应区域。我这里采用的方法是为模型输出和参考图统一对齐，在计算指标前裁掉边缘。

import numpy as np from skimage.metrics import structural_similarity as ssim def calc_psnr(pred, target, crop_border=4, data_range=1.0): """计算PSNR时裁掉边界crop_border个像素，消除padding伪影影响""" if crop_border > 0: pred = pred[crop_border:-crop_border, crop_border:-crop_border] target = target[crop_border:-crop_border, crop_border:-crop_border] mse = np.mean((pred - target) ** 2) if mse == 0: return float('inf') return 10 * np.log10(data_range ** 2 / mse) def calc_ssim(pred, target, crop_border=4, data_range=1.0): if crop_border > 0: pred = pred[crop_border:-crop_border, crop_border:-crop_border] target = target[crop_border:-crop_border, crop_border:-crop_border] return ssim(pred, target, data_range=data_range)

crop_border取4意味着把四周各裁掉4个像素，对于kernel size为3的卷积网络已经足够。如果你换了更深的网络或者更大的卷积核，这个值要相应调整。SSIM计算时，data_range参数不要用默认的255，归一化后的图像必须显式传1.0，这是scikit-image里最容易踩的坑，参数传错SSIM数值会小到离谱。

另外，PSNR和SSIM都要在灰度图上计算。如果模型输出是单通道，直接算；如果是三通道，需要先转y通道或分别算再平均。MRI图像没有色彩信息，单通道简单直接。

5. 常见问题与避坑记录：跑MRI超分最容易翻车的5个环节

5.1 训练Loss在下降，验证PSNR却纹丝不动

现象：训练集损失一路走低，看起来正常；跑到验证集上算PSNR，从第1个epoch到第50个epoch几乎不涨。

原因：最常见的根源是训练和验证的归一化口径不一致。比如训练时在随机裁剪的patch上做min-max归一化，验证时对整个volume做归一化，两边数据的强度分布就不是一回事。网络在训练时学到的特征分布和验证时的输入分布对不上，相当于拿一套尺子量两种数据。

解决：归一化的统计量必须在训练集上一次性算好，保存v_min和v_max两个标量，之后训练、验证、推理统一用这两个值做截断和缩放。关键点是这些统计量来自固定的训练集分布，不是动态随每个batch变化的。补上这一步之后，验证PSNR通常在几个epoch内就会有反应。

5.2 重建图像整体偏模糊，边缘像蒙了一层雾

现象：训练完成后的重建结果，整体结构能看，但组织边界模糊，细节纹理丢失，视觉上和双三次插值相比提升不明显。

原因：两个方向排查。第一，是不是用了L2损失，L2对边缘的惩罚不够，模型倾向于输出平均化的结果。第二，训练时用的低分辨率输入是不是没有加噪声，模型只学会了"去下采样伪影"而没有学会"去噪+重建"的联合任务，真实MRI上的Rician噪声直接暴露了模型的短板。

解决：把损失换成L1，并在退化过程中加Rician噪声。如果换完之后边界还是糊，检查一下是否对输入做了锐化预处理，有些代码会为了视觉效果提前对LR做锐化，这等于改变了训练输入分布，模型学到的映射关系就乱了。LR输入必须是干净的原始降采样加噪声结果，不要加任何后处理。

5.3 显存不足，batch设为2都跑不起来

现象：训练刚启动就报CUDA out of memory，把batch size降到2还是炸显存。

原因：这类问题绝大多数不是batch size造成的，而是数据加载时直接把整个3D volume塞进了张量。比如一个体数据形状是(180, 256, 256)，float32就占45MB，如果数据加载时直接把这个volume转成tensor再取切片，实际显存里同时存在多个volume，占用会迅速膨胀。另一个常见原因是PyTorch的DataLoader在num_workers较大时，会把多个worker的预加载数据同时放在显存里。

解决：在数据加载阶段就完成切片和预处理，只把2D的(lr, hr)配对送进DataLoader；3D volume不要进GPU。DataLoader的num_workers设置到4以内，pin_memory可以打开但显存不足时要关掉。还有一种做法是把训练数据预先全部切成patch存成npy文件，训练时直接加载npy，完全不碰3D数据，显存压力会小很多。

5.4 PSNR算出来高得离谱，但重建图一放大全是棋盘格

现象：验证集PSNR刷到38dB以上，比论文里的数值还高；但把重建图像放大对比，能看到明显的格子状伪影，组织边界处尤其明显。

原因：这是典型的评估口径错误。如果评估时没有裁掉conv padding边界，PSNR会有小幅偏差，但不太可能高得离谱。真正的原因多半是模型在训练时输入的LR和高分辨率参考图尺寸不匹配，网络实际上学的是"把输入放大到某个固定尺寸"的模式，而这个固定尺寸恰好和验证集一致。严格来说这是数据泄漏，常见于把整个volume切成固定尺寸块时，训练和验证共用了一批重叠的切片。

解决：确保训练集和验证集来自不同的volume，同一个volume不能既出现在训练里又出现在验证里。切片时按volume做group split，而不是按slice做随机划分。另外，评估时固定用crop_border=4裁边，防止padding伪影影响判断。

5.5 训练和推理时scale设置不一致，重建尺寸直接对不上

现象：训练时用的2倍超分模型，推理时把LR图像先放大2倍再送进网络，或者网络输入端尺寸和训练时不一致，最终输出的HR尺寸和预期不匹配。

原因：这类问题纯粹是工程细节疏漏。PixelShuffle(scale)的scale在模型初始化时写死了，训练和推理必须用同一个scale。有些推理脚本为了追求速度，会把低分辨率输入先做一次任意尺寸的双三次resize再送进网络，这就破坏了模型期望的输入退化方式。

解决：在训练、验证、推理三条路径中，统一用同一份make_lr_hr_pair函数或完全一致的退化逻辑，并打印模型输出的张量形状做断言校验。推荐在模型forward里加一行断言：assert x.shape[2] * self.scale == base.shape[2]，这个习惯能省掉大量排查时间。

6. 进阶验证技巧：用三正交切面一致性检查给重建结果上"双保险"

MRI超分项目做到最后，验证工作不能只停留在PSNR和SSIM这两个数值上。临床影像里，医生会同时看轴状位、矢状位和冠状位三个方向的切面，而很多项目只对轴状位切片做了训练和评估，矢状位和冠状位上的重建质量几乎没有被检验过。一个看起来完美的轴状位重建，可能在另外两个方向上出现明显的条带伪影。

我每次做完MRI超分项目，都会做一次三正交切面一致性检查。方法很简单：取一个未参与训练的完整3D体数据，分别沿z轴、y轴、x轴三个方向切片，每个方向用同一个模型做逐片重建，再把重建结果按原顺序拼接回3D体数据，最后从另外两个方向切出连续面做目检。具体步骤如下。

def volume_reconstruction(model, lr_volume, scale=2): """对3D体数据沿z轴逐片重建，返回重建后的volume""" model.eval() slices = [] with torch.no_grad(): for z_idx in range(lr_volume.shape[0]): lr_slice = lr_volume[z_idx] lr_tensor = torch.from_numpy(lr_slice).unsqueeze(0).unsqueeze(0).float() pred = model(lr_tensor) slices.append(pred.squeeze().cpu().numpy()) return np.stack(slices, axis=0)

沿z轴重建完成后，把结果转置成另外两个视角，目检三组切面。重点观察脑组织边界、脑室边缘这些结构是否在三个方向上连续，有没有出现垂直于重建方向的条纹或断裂。第三个方向上的伪影通常是模型过拟合轴状位纹理、没有学到体数据各向同性特征的直接证据。

检查过程会暴露PSNR看不出的问题。比如轴状位SSIM达到0.95，但矢状位上组织边界重影明显，说明模型其实是在记忆轴状位的纹理分布。这种情况我会回退到数据层面，检查训练时是否只使用了轴状位切片，然后加入另外两个方向的切片混合训练，或者对体数据做各向同性重采样后再重新生成训练对。

这套三正交切面检查是我在交付每个MRI超分项目前必做的一步，前两个项目图省事跳过它，结果都被评审一票否决——数值再漂亮，切面伪影一放大就露馅。现在每跑完一组实验，我会把三个方向的切面拼成一张对比图，和双三次插值结果放在一起。这个习惯也建议你保留，毕竟数值指标可以骗人，解剖结构的连续性骗不了人。希望这个验证思路帮到你。

本文还有配套的精品资源，点击获取