常规fMRI也能看到介观功能组织：f-LENNS靠合成数据训练超分辨到1毫米，跨3T与7T免重训
核心概要
f-LENNS把常规分辨率的功能磁共振幅度图像超分辨到1毫米各向同性，让介观尺度的功能组织不必依赖超高场扫描仪。模型只用域随机化的合成MRI训练，不含对抗或生成成分，因此无需重训即可用于不同场强、序列与分辨率的实验数据。在视觉皮层，超分辨后的色觉、运动与视差选择区定位比插值上采样和锐化更接近原始高分辨率采集。
深度剖析
一套公开的AI后处理框架能把常规功能磁共振图像的有效空间分辨率提升到1毫米各向同性，从而在普通扫描仪数据上恢复介观尺度的功能组织。 此前获取这类精细功能图谱通常需要超高场MRI系统并配合大量信号平均，而超高场扫描仪数量有限、扫描时长也受限。 在11名神经典型参与者的7特斯拉数据上，把原始1毫米数据降采样到2毫米或3毫米再超分辨，图像保真度指标优于标准上采样与AFNI锐化（t(10)>11.18，p<10⁻³，多重比较校正）。
模型逐帧处理每个功能磁共振体积，只接收重采样到统一1毫米网格的实值幅度图像，不接触复数数据、相位或原始k空间。 此前的AI超分辨方法多依赖真实功能或结构MRI训练，换到新的采集条件性能会明显下降，通常只能用于单一站点、协议或刺激范式。 训练数据来自10个公开MRI数据集共5241名受试者的解剖分割所生成的合成图像，训练时把体素尺寸在2至4.5毫米间随机采样，网络始终不知道输入的真实体素大小。
同一预训练模型无需重训即可用于3特斯拉与7特斯拉、不同脉冲序列和不同刺激范式的数据，并推广到弱视人群。 在2毫米输入上，f-LENNS与用域差极小的真实数据训练的模型表现相当（t(10)=2.82；p=0.07），并明显优于域差较大的真实数据模型（t(10)=41.94；p<10⁻³）。 在3毫米输入这一更困难的情形下，条件高度匹配的真实数据模型表现更好（t(10)=6.78；p<10⁻³），说明f-LENNS以放弃部分特定条件下的最优性能换取跨条件的通用性。
启示与展望
验证集中在视觉皮层：11名神经典型参与者的7特斯拉数据、10名弱视参与者的数据，以及6名参与者的3特斯拉数据，任务为定位色觉、运动与视差选择区。模型目前只在解剖结构完整的脑数据上开发和验证，作者提出未来需要在结构异常脑上系统评估。
作者指出，f-LENNS并不打算完全消解不同扫描仪平台、脉冲序列（如BOLD与VASO）或场强带来的功能图谱空间组织差异，针对每种采集定制的模型可能达到更高性能上限。逐帧处理是有意取舍，放弃了可能有用时间信息以保持与标准fMRI分析兼容。视觉系统之外的脑区与认知领域尚待评估。