增强超低场磁共振成像：结合高场磁共振成像对比的大脑成像技术 陈昭林、萨努瓦尼·达亚拉特纳、图希杜尔·伊斯兰、希玛希·佩里斯、帕丽莎·扎卡维、钟圣君 (中英对照电子书)

这本书是施普林格旗下知名学术系列《计算机科学讲义》（Lecture Notes in Computer Science，简称 LNCS）第 16293 卷，收录了 2025 年首届"超低场磁共振图像增强挑战赛"（ULF-EnC 2025）的会议论文集。该赛事于 2025 年 9 月 23 日在韩国大田与国际医学影像计算与计算机辅助介入大会 MICCAI 2025 同期举办，由澳大利亚蒙纳士大学的六位学者担任主编，全书于 2026 年正式出版。整本论文集聚焦于一个极具现实意义的医学影像难题：如何借助算法手段，把便携式超低场磁共振设备（场强仅 64 毫特斯拉）采集到的脑部图像，提升到接近传统高场设备（3 特斯拉）的图像质量，从而让磁共振检查走出大型放射科，走进基层医院、急诊现场乃至资源匮乏的偏远地区。书中所有参赛方案都基于同一套经过伦理审批的配对数据集——也就是同一批受试者既做 3T 扫描又做 64mT 扫描，涵盖 T1、T2 和 FLAIR 三种常用序列，这种"同一人、双场强"的设计让研究者能够真正衡量算法在跨场强增强中的保真程度，而不是简单地追求视觉效果。整个挑战赛完全托管在 Synapse 平台上进行，选手以 Docker 容器提交方案，验证阶段就处理了超过 430 次提交，最终排行榜上的对比也保证了公平与可复现性，吸引了来自全球医学影像与机器学习社区超过 100 名注册参与者。最终收录的 19 篇短文都经过双盲同行评审，每篇至少三位独立审稿人把关，论文涵盖了从深度学习超分辨率重建、物理信息约束网络、扩散模型到无监督域自适应等多种技术路线，既有方法层面的创新，也有对临床可解释性的深入讨论。对于从事医学影像分析、深度学习算法研究，尤其是关注低场强 MRI 这条近年快速崛起的应用方向的研究者和工程师来说，这本会议论文集提供了一个很好的基准和起点，能让读者在最短时间内了解到这个交叉领域当前最前沿的思路、主流的评估方式以及尚未解决的关键挑战。即使不是该领域的专家，翻阅其中几篇工作也能感受到把 AI 算法部署到便携式成像设备中所蕴含的临床价值——毕竟，让昂贵的磁共振技术变得更便宜、更普及，本身就是一件值得关注的科技向善之事。