MRecover 是一种条件生成模型，旨在解决高分辨率磁共振成像中因运动伪影导致数据大量损失的问题。该研究由 Jinghang Li 等 16 位作者完成，于 2026 年 5 月 20 日提交至 arXiv，编号为 arXiv:2605.21669v1，归类于计算机视觉与模式识别（cs.CV）以及人工智能（cs.AI）方向。
研究的临床背景在于海马亚区分割。这一任务通常依赖高分辨率的 T2 加权涡轮自旋回波（TSE）MRI 序列，但该序列对患者运动极为敏感，轻微的移动就会产生伪影，使扫描图像无法用于后续分析，从而造成显著的数据丢失。与此同时，T1 加权图像是临床常规采集的序列，获取更为稳定。MRecover 的核心思路正是利用这一常规 T1w 图像，通过条件生成的方式合成所需的 TSE 对比度图像，从而在无需重新扫描的情况下“恢复”因运动而损坏的 TSE 数据。
在技术实现上，MRecover 采用自回归的切片条件机制（autoregressive slice conditioning），在逐层生成图像时保持相邻切片之间的一致性，以确保合成结果在三维体积层面上的连贯与可靠，而不只是单张切片的视觉逼真。模型使用 7T MRI 数据进行训练，训练样本量为 577 例。
在域内评估中，模型表现出较高的保真度：在 148 例样本上，结构相似性指标 SSIM 达到 0.84，特征相似性指标 FSIM 达到 0.94。更关键的是其在域外 3T 数据上的泛化表现。研究者在 416 例样本上比较了由合成图像得到的海马亚区体积与真实采集图像得到的体积，两者高度吻合，相关系数在 0.87 至 0.97 之间。
在受运动影响严重的 ADNI3 数据集上，经过质量控制后，使用合成图像使可分析受试者数量增加了 31.8%，从 450 例提升至 593 例。样本量的扩大也直接改善了统计功效：在评估诊断组之间海马亚区萎缩差异时，合成图像取得了更大的效应量，整个海马体的 epsilon 平方值在左右半球分别为 0.121 和 0.100，而对照结果分别为 0.086 和 0.062。
论文还提供了项目主页，供读者查看详细信息。需要注意的是，这些指标属于研究报告中的实验结果，其临床落地仍需进一步验证；但该工作展示了生成式 AI 在医学影像数据抢救与队列扩充方面的潜在价值。