摘要目的 构建一种基于深度学习的小肝癌磁共振影像超分辨重建模型,通过联合优化高频细节与解剖合理性,提升小肝癌病灶的影像细节可视性,提升小肝癌扩散加权成像(DWI)检查的图像质量及临床应用价值.方法 回顾性分析2022年12月～2024年6月我院300例小肝癌患者的3 mm DWI数据.采用GE Discovery750 3.0 T扫描仪采集图像,按8∶2比例随机分为训练集(n=240)和测试集(n=60).构建双分支超分辨模型:内容分支通过级联梯度Transformer块提取全局特征,梯度分支通过梯度Transformer块增强结构信息;创新性引入:(1)交叉局部增强自注意力模块,以优化块内像素特征与全局上下文信息的交互;(2)通道-空间联合注意力层,通过动态权重分配增强关键解剖结构的可视性.由3名高年资放射科医师采用5分制Likert量表对原始弥散加权成像(ORDWI)和超分辨弥散加权成像(SRDWI)进行盲法评分,同时计算峰值信噪比、结构相似度等客观指标.结果 SRDWI的主观评分优于ORDWI:肝结节信号特异性(3.41±0.53 vs 2.47±0.50)、正常肝实质均匀性(3.29±0.47 vs 2.78±0.42)、伪影干扰程度(2.56±0.52 vs 2.47±0.48)及整体图像质量(3.15±0.49 vs 2.67±0.48)上的主观评分优于ORDWI(P<0.001).图像噪声水平(3.98±0.61 vs 2.87±0.46)超分后略有增加(P<0.05),但仍在临床可接受范围内,不影响关键特征的判读.客观指标显示SRDWI的峰值信噪比(34.65489 dB)和结构相似度(0.903 65)均表现优异.结论 该深度学习模型可显著提升3 mm-DWI图像质量,使薄层DWI的诊断效能接近常规厚层扫描水平,为小肝癌精准诊断提供技术支持.