摘要
磁共振成像（MRI）的核心问题在于加速采集与图像质量之间的权衡。图像重建与超分辨率是MRI中的两项关键技术。现有方法通常将这两项任务分别处理，忽视了它们之间的内在关联。为此，本文提出一种端到端的任务Transformer网络（T²Net），用于联合实现MRI重建与超分辨率。该方法通过在多个任务间共享表征与特征传递，能够从高度欠采样且退化的MRI数据中恢复出高质量、超分辨率且无运动伪影的图像。本框架将重建与超分辨率任务统一建模，分为两个子分支，其特征分别以查询（query）和键（key）的形式表达。具体而言，我们促进两个任务之间的联合特征学习，从而实现精确的任务信息传递。首先，采用两个独立的卷积神经网络（CNN）分支提取具有任务特异性的特征；随后，设计了一个任务Transformer模块，用于嵌入并融合两任务间的相关性。实验结果表明，所提出的多任务模型在定量与定性评估上均显著优于现有的先进串行方法。