近日，中国科学院深圳先进技术研究院医学成像科学与技术系统全国重点实验室王珊珊研究员等在Nature子刊 Scientific Data、Nature Communications、IEEE Transactions on Medical Imaging 等国际期刊发表了系列研究成果，围绕高端影像采集、智能成像重建、定量分析与临床应用开展了系统性研究，取得了阶段性进展。

01

高端影像采集

5.0T人脑扩散MRI数据库

团队发布了5.0T人脑扩散MRI开放数据库Diff5T（Scientific Data, 2025），该数据库包含原始k空间数据、重建影像、预处理结果及生物物理模型拟合结果，并同步提供高分辨率T1/T2结构像。

突破性价值：首次公开5.0T人脑扩散MRI原始k空间数据，填补高场强影像开放数据空白。

应用意义：支持从伪影校正到脑连接分析的完整研究流程，为脑微结构研究的可重复性和跨机构合作提供了重要资源。

图1：5.0T人脑扩散MRI数据库

02

智能成像与重建

多中心泛化与高效分割

多中心MRI加速重建： 开发GAutoMRI（IEEE TMI, 2025），将联邦学习与神经架构搜索相结合，实现自动化模型设计与隐私保护。在多中心环境下，显著提升了MRI重建的稳定性和效率。

高效医学影像分割： 提出基于 Mamba 架构的 Swin-UMamba† 模型（IEEE TMI, 2025），兼顾线性计算复杂度和长程依赖建模，并通过自监督迁移提升跨领域适配能力，适用于多类医学影像任务。

图2：公平性联邦高效学习突破多中心数据壁垒

03

定量分析与智能诊断

跨模态与可解释AI体系

跨模态血管分割：在定量分析方面，提出了多模态血管分割模型 OVS-Net（IEEE TIP, 2025），有效提升了血管结构的完整性。

多模态视觉通路提取：在神经影像方向，建立了视觉通路提取模型（IEEE TBME, 2025），通过特征解耦与不确定性引导策略，提高了提取精度，并减少了对人工标注的依赖。

可解释文本影像基础模型：提出了文本影像基础模型 MaCo（Nature Communications, 2024），通过多模态对比学习提升了图像理解和跨任务的泛化能力，支持分类、分割、检测等应用。

图3：多器官多模态智能诊断体系

完整的技术体系与应用前景

这一系列工作构建了覆盖“数据采集—成像重建—定量分析”的完整技术体系：

Diff5T 数据库保证了高质量影像采集；

GAutoMRI 提升了多中心智能成像性能；

OVS-Net、Swin-UMamba†、MaCo 等工具为定量分析和智能诊断提供了新方法。

该体系降低了对标注数据和专业设备的依赖，为脑疾病研究、心脑血管诊断及影像组学提供新一代数据与技术平台。

目前Diff5T数据库已通过ScienceDB平台开放共享，促进医学影像计算技术协同发展（DOI:10.57760/sciencedb.25122）。

总的来说，该团队从源头到应用打造了一整套革命性的医学影像技术，这项研究包含了三个核心进展：一是共享“超级底片”，二是开发了智能的“AI修图大师”，三是训练了“全能诊断助手”。这套从“数据采集”到“智能诊断”的完整技术体系，有望助力医学影像科研领域取得新突破，让更多医院都能用上更顶尖的影像技术，帮助医生更早、更准、更快速地发现疾病，造福患者。