DH-Mamba：探索用于 MRI 重建的双域分层状态空间模型
图像与视频处理
2025-04-01 v3 计算机视觉与模式识别
摘要
加速 MRI 重建因 k 空间抽样显著欠抽取，构成一个具有挑战性的欠定逆问题。深度神经网络，如 CNN 和 ViT，虽在此任务上展现出显著的性能提升，但在全局感受野与高效计算之间存在矛盾。为此，本文探索了具有线性复杂度的长程依赖建模范式——选择性状态空间模型（Mamba），以实现 MRI 重建的高效与有效。然而，直接将 Mamba 应用于 MRI 重建面临三个显著问题：(1) Mamba 通常将 2D 图像展平为沿行和列的独立 1D 序列，破坏了 k 空间的独特谱特征，未能充分发挥 k 空间学习的潜力。(2) 现有方法采用多方向长程扫描以像素级别展开图像，导致长程遗忘和高计算负担。(3) Mamba 在处理空间变异内容时表现不足，导致局部表征的多样性受限。为解决上述问题，本文从以下视角提出了用于 MRI 重建的双域分层 Mamba：(1) 我们首次在 k 空间学习中引入视觉 Mamba，定制了用于谱展开的循环扫描，有助于全局建模 k 空间。(2) 我们提出一种在图像和 k 空间域中采用高效扫描策略的分层 Mamba，缓解了长程遗忘，实现了效率与性能之间的更好平衡。(3) 我们开发了局部多样性增强模块，以提高 Mamba 的空间变异表征。在多种欠抽取模式下，我们在三个公开数据集上进行了大量实验。综合结果表明，我们的方法在计算成本更低的同时，显著优于最先进的方法。
引用
@article{arxiv.2501.08163,
title = {DH-Mamba: Exploring Dual-domain Hierarchical State Space Models for MRI Reconstruction},
author = {Yucong Meng and Zhiwei Yang and Zhijian Song and Yonghong Shi},
journal= {arXiv preprint arXiv:2501.08163},
year = {2025}
}