PAS-Mamba: Phase-Amplitude-Spatial State Space Model for MRI Reconstruction
作者: Xiaoyan Kui, Zijie Fan, Zexin Ji, Qinsong Li, Hao Xu, Weixin Si, Haodong Xu, Beiji Zou
分类: cs.CV
发布日期: 2026-01-20
💡 一句话要点
提出PAS-Mamba模型，解耦相位-幅度信息，提升MRI重建质量
🎯 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 相位幅度解耦 频域建模
📋 核心要点
- 现有MRI重建方法忽略了频域中相位和幅度信息差异，导致特征学习相互干扰。
- PAS-Mamba模型解耦频域的相位和幅度建模，并结合图像域特征，实现更优重建。
- 实验表明，PAS-Mamba在IXI和fastMRI膝盖数据集上优于现有最先进的重建方法。
📝 摘要（中文）
联合建模空间域和频域特征已成为MRI重建的主流方法。然而，现有方法通常将频域视为一个整体，忽略了其内部组成部分所携带信息的差异。根据傅里叶变换理论，相位和幅度代表图像中不同类型的信息。频谱交换实验表明，幅度主要反映像素级强度，而相位主要控制图像结构。为了防止统一频域建模导致的相位和幅度特征学习之间的干扰，我们提出了用于MRI重建的相位-幅度-空间状态空间模型（PAS-Mamba），该框架解耦了频域中的相位和幅度建模，并将其与图像域特征相结合，以实现更好的重建。在图像域中，LocalMamba保留了空间局部性，以锐化精细的解剖细节。在频域中，我们将幅度和相位分离为两个专门的分支，以避免表征耦合。为了尊重频率信息的同心几何结构，我们提出了圆形频域扫描（CFDS）来序列化从低频到高频的特征。最后，双域互补融合模块（DDCFM）自适应地融合幅度相位表示，并实现频域和图像域之间的双向交换，从而提供卓越的重建效果。在IXI和fastMRI膝盖数据集上的大量实验表明，PAS-Mamba始终优于最先进的重建方法。
🔬 方法详解
问题定义：MRI重建旨在从欠采样的k空间数据（频域）恢复高质量的图像。现有方法通常将频域作为一个整体进行处理，忽略了相位和幅度所携带信息的差异，导致特征学习的耦合和干扰。这种耦合限制了模型学习图像结构和细节的能力，影响了重建质量。
核心思路：PAS-Mamba的核心思路是将频域中的相位和幅度信息解耦，分别进行建模，然后与图像域的特征进行融合。这种解耦能够避免相位和幅度特征之间的干扰，使模型能够更好地学习图像的结构和细节。同时，利用图像域的局部信息可以进一步提升重建质量。
技术框架：PAS-Mamba的整体框架包括三个主要模块：图像域的LocalMamba模块、频域的相位和幅度建模分支，以及双域互补融合模块（DDCFM）。LocalMamba模块用于在图像域中保留空间局部性，锐化细节。相位和幅度建模分支分别处理频域中的相位和幅度信息。DDCFM模块用于自适应地融合相位、幅度以及图像域的特征，并实现频域和图像域之间的信息交换。
关键创新：PAS-Mamba的关键创新在于相位-幅度解耦建模和圆形频域扫描（CFDS）。相位-幅度解耦建模能够避免频域特征学习的耦合，使模型能够更好地学习图像的结构和细节。CFDS则考虑了频域信息的同心几何结构，能够更有效地序列化频域特征。
关键设计：在频域建模中，采用了Circular Frequency Domain Scanning (CFDS)方法，将二维频域信息转化为一维序列，以便Mamba模型处理。DDCFM模块采用自注意力机制，自适应地融合不同域的特征。损失函数方面，可能采用了L1或L2损失，以及感知损失等，以保证重建图像的质量和感知相似度（具体损失函数细节未知）。LocalMamba模块使用了Mamba的变体，以适应图像域的局部性建模需求（具体变体细节未知）。
🖼️ 关键图片
📊 实验亮点
实验结果表明，PAS-Mamba在IXI和fastMRI膝盖数据集上均优于现有最先进的重建方法。例如，在fastMRI膝盖数据集上，PAS-Mamba在PSNR和SSIM指标上均取得了显著提升（具体数值未知，但摘要中提到“consistently outperforms state of the art reconstruction methods”，表明性能提升具有一致性）。这证明了PAS-Mamba在MRI重建方面的有效性。
🎯 应用场景
PAS-Mamba在MRI重建领域具有广泛的应用前景，可以应用于各种MRI扫描序列和器官的重建，例如脑部、膝盖等。该方法能够提高重建图像的质量，减少伪影，从而帮助医生更准确地诊断疾病。此外，该方法还可以应用于低剂量MRI扫描，降低患者的辐射暴露。
📄 摘要（原文）
Joint feature modeling in both the spatial and frequency domains has become a mainstream approach in MRI reconstruction. However, existing methods generally treat the frequency domain as a whole, neglecting the differences in the information carried by its internal components. According to Fourier transform theory, phase and amplitude represent different types of information in the image. Our spectrum swapping experiments show that magnitude mainly reflects pixel-level intensity, while phase predominantly governs image structure. To prevent interference between phase and magnitude feature learning caused by unified frequency-domain modeling, we propose the Phase-Amplitude-Spatial State Space Model (PAS-Mamba) for MRI Reconstruction, a framework that decouples phase and magnitude modeling in the frequency domain and combines it with image-domain features for better reconstruction. In the image domain, LocalMamba preserves spatial locality to sharpen fine anatomical details. In frequency domain, we disentangle amplitude and phase into two specialized branches to avoid representational coupling. To respect the concentric geometry of frequency information, we propose Circular Frequency Domain Scanning (CFDS) to serialize features from low to high frequencies. Finally, a Dual-Domain Complementary Fusion Module (DDCFM) adaptively fuses amplitude phase representations and enables bidirectional exchange between frequency and image domains, delivering superior reconstruction. Extensive experiments on the IXI and fastMRI knee datasets show that PAS-Mamba consistently outperforms state of the art reconstruction methods.