基于Mamba的多对比MRI重建模态解缝网络
人工智能
2025-12-23 v1 逻辑
概率论
摘要
磁共振成像（MRI）是现代临床诊断的基石，能够在不涉及离子辐射的情况下提供卓越的软组织对比。然而，延长的扫描时间仍是 patient throughput 和舒适度的主要障碍。现有的加速MRI技术常常面临两个关键挑战：（1）未能有效利用固有的K-space先验信息，导致零填充输入产生持续的aliasing 伪影；（2）采用多对比 fusion 策略时，目标重建质量受到无关信息的污染。为克服这些挑战，我们提出了MambaMDN，一个用于多对比MRI重建的 dual-domain 框架。我们首先采用完全采样的参考K-space数据完成欠采样的目标数据，生成结构对齐但模态混合的输入。随后，我们发展了一个基于Mamba的模态解缝网络，以提取和移除混合表示中的 reference-specific 特征。此外，我们引入一种迭代细化机制，通过重复的特征净化逐步提升重建精度。广泛的实验表明，MambaMDN 能显著优于现有的多对比重建方法。
引用
@article{arxiv.2512.19096,
title = {Conditioning Accept-Desirability models in the context of AGM-like belief change},
author = {Kathelijne Coussement and Gert de Cooman and Keano De Vos},
journal= {arXiv preprint arXiv:2512.19096},
year = {2025}
}
备注
46 pages, 1 table