从人的fMRI脑部记录中重建其视觉所见的图像，为非侵入性地窥探人类大脑提供了可能。尽管扩散模型的出现推动了该领域近期的进展，但现有方法在还原实际所见图像方面仍常缺乏准确性。我们提出“Brain-IT”——一种受大脑机制启发的方法，其核心为脑交互Transformer（Brain Interaction Transformer, BIT），通过实现功能相似脑体素簇之间的高效交互，有效应对这一挑战。这些功能簇在所有受试者中共享，可作为整合脑内及跨脑信息的基本单元。所有模型组件均在所有簇与受试者间共享，从而在数据量有限的情况下仍能实现高效训练。为指导图像重建，BIT预测两种互补的局部图像块级特征：(i) 高层语义特征，用于引导扩散模型生成与图像内容相符的语义信息；(ii) 低层结构特征，用于在扩散过程初始阶段提供图像的粗略布局。BIT的设计使得脑体素簇与局部图像特征之间能够实现信息的直接流动。基于上述原理，我们的方法能够从fMRI数据中实现对所见图像的高保真重建，在视觉效果和标准客观评价指标上均超越当前最先进（SotA）方法。此外，仅需一名新受试者1小时的fMRI数据，我们即可获得与现有方法在40小时完整数据上训练所得结果相媲美的性能。