DH-Mamba: Exploring Dual-domain Hierarchical State Space Models for MRI Reconstruction

📄 arXiv: 2501.08163v3 📥 PDF

作者: Yucong Meng, Zhiwei Yang, Zhijian Song, Yonghong Shi

分类: eess.IV, cs.CV

发布日期: 2025-01-14 (更新: 2025-03-31)

💡 一句话要点

提出DH-Mamba，利用双域分层状态空间模型高效重建MRI图像。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: MRI重建 状态空间模型 Mamba k空间学习 深度学习

📋 核心要点

  1. 现有MRI重建方法在全局感受野和计算效率间存在矛盾，直接应用Mamba会破坏k空间频谱信息。
  2. 提出双域分层Mamba（DH-Mamba），在图像和k空间进行分层建模，并设计高效扫描策略。
  3. 实验表明，DH-Mamba在多个数据集上显著优于现有方法，同时降低了计算成本。

📝 摘要（中文）

加速MRI重建由于k空间中的显著欠采样，构成了一个具有挑战性的病态逆问题。深度神经网络，如CNN和ViT，在该任务上表现出显著的性能提升，但同时也面临着全局感受野和高效计算之间的困境。为此，本文探索了选择性状态空间模型（Mamba），这是一种用于长程依赖建模的新范式，具有线性复杂度，可用于高效且有效的MRI重建。然而，直接将Mamba应用于MRI重建面临三个重要问题：（1）Mamba通常将2D图像展平为沿行和列的不同1D序列，破坏了k空间独特的频谱，使其在k空间学习中的潜力未被探索。（2）现有方法采用多方向的冗长扫描在像素级别展开图像，导致长程遗忘和高计算负担。（3）Mamba难以处理空间变化的内容，导致局部表示的多样性有限。为了解决这些问题，我们从以下几个方面提出了一种用于MRI重建的双域分层Mamba：（1）我们率先在k空间学习中应用视觉Mamba。定制了一种圆形扫描用于频谱展开，有利于k空间的全局建模。（2）我们提出了一种在图像和k空间域中具有高效扫描策略的分层Mamba。它减轻了长程遗忘，并在效率和性能之间实现了更好的权衡。（3）我们开发了一个局部多样性增强模块，以提高Mamba的空间变化表示。在各种欠采样模式下，在三个公共数据集上进行了广泛的MRI重建实验。综合结果表明，我们的方法以较低的计算成本显著优于最先进的方法。

🔬 方法详解

问题定义：MRI重建旨在从欠采样的k空间数据中恢复高质量的MRI图像。现有基于CNN和ViT的方法虽然取得了进展，但面临全局感受野和计算效率的权衡。直接将Mamba应用于MRI重建会破坏k空间频谱的独特性，并且现有的像素级展开方式会导致长程遗忘和高计算负担。此外，Mamba在处理空间变化内容时，局部表示能力有限。

核心思路：本文的核心思路是利用Mamba模型在图像域和k空间域进行分层建模，充分利用k空间的频谱信息，并设计高效的扫描策略来缓解长程遗忘问题。通过引入局部多样性增强模块，提升Mamba对空间变化内容的表示能力，从而提高重建质量。

技术框架：DH-Mamba的整体架构包含以下几个主要模块：1) k空间Mamba模块：采用圆形扫描策略展开k空间数据，利用Mamba进行全局建模。2) 图像空间Mamba模块：在图像域进行分层建模，并采用高效的扫描策略。3) 局部多样性增强模块：增强Mamba对空间变化内容的表示能力。整个流程首先将欠采样k空间数据输入k空间Mamba模块进行处理，然后将结果转换到图像域，再经过图像空间Mamba模块和局部多样性增强模块，最终得到重建的MRI图像。

关键创新：该论文的关键创新在于：1) 首次将视觉Mamba应用于k空间学习，并设计了圆形扫描策略以保留k空间的频谱信息。2) 提出了双域分层Mamba架构，在图像域和k空间域进行分层建模，并设计了高效的扫描策略。3) 引入了局部多样性增强模块，提升了Mamba对空间变化内容的表示能力。与现有方法相比，DH-Mamba能够更有效地利用k空间信息，并缓解长程遗忘问题。

关键设计：在k空间Mamba模块中，圆形扫描策略是关键设计之一，它能够更好地保留k空间的频谱信息。在图像空间Mamba模块中，分层建模和高效扫描策略的设计旨在平衡性能和计算效率。局部多样性增强模块的具体实现细节（例如，模块的结构、参数设置等）在论文中应该有详细描述，但摘要中未提及。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，DH-Mamba在三个公共MRI数据集上显著优于现有最先进的方法，并且具有更低的计算成本。具体的性能提升数据（例如，PSNR、SSIM等指标的提升幅度）需要在论文中查找。

🎯 应用场景

该研究成果可应用于临床MRI图像重建，提高成像速度和图像质量，减少患者扫描时间，降低医疗成本。此外，该方法也可推广到其他医学图像重建领域，例如CT、PET等，具有广阔的应用前景和重要的临床价值。

📄 摘要（原文）

The accelerated MRI reconstruction poses a challenging ill-posed inverse problem due to the significant undersampling in k-space. Deep neural networks, such as CNNs and ViTs, have shown substantial performance improvements for this task while encountering the dilemma between global receptive fields and efficient computation. To this end, this paper explores selective state space models (Mamba), a new paradigm for long-range dependency modeling with linear complexity, for efficient and effective MRI reconstruction. However, directly applying Mamba to MRI reconstruction faces three significant issues: (1) Mamba typically flattens 2D images into distinct 1D sequences along rows and columns, disrupting k-space's unique spectrum and leaving its potential in k-space learning unexplored. (2) Existing approaches adopt multi-directional lengthy scanning to unfold images at the pixel level, leading to long-range forgetting and high computational burden. (3) Mamba struggles with spatially-varying contents, resulting in limited diversity of local representations. To address these, we propose a dual-domain hierarchical Mamba for MRI reconstruction from the following perspectives: (1) We pioneer vision Mamba in k-space learning. A circular scanning is customized for spectrum unfolding, benefiting the global modeling of k-space. (2) We propose a hierarchical Mamba with an efficient scanning strategy in both image and k-space domains. It mitigates long-range forgetting and achieves a better trade-off between efficiency and performance. (3) We develop a local diversity enhancement module to improve the spatially-varying representation of Mamba. Extensive experiments are conducted on three public datasets for MRI reconstruction under various undersampling patterns. Comprehensive results demonstrate that our method significantly outperforms state-of-the-art methods with lower computational cost.