AS-Mamba: Asymmetric Self-Guided Mamba Decoupled Iterative Network for Metal Artifact Reduction

📄 arXiv: 2602.06350v1 📥 PDF

作者: Bowen Ning, Zekun Zhou, Xinyi Zhong, Zhongzhen Wang, HongXin Wu, HaiTao Wang, Liu Shi, Qiegen Liu

分类: eess.IV, cs.CV

发布日期: 2026-02-06

备注: 10 pages,10 figures

💡 一句话要点

提出AS-Mamba，通过解耦迭代网络进行金属伪影抑制，提升CT图像质量。

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

关键词: 金属伪影抑制 CT图像重建 Mamba 状态空间模型 深度学习 医学影像 频域校正

📋 核心要点

  1. 现有CNN和Transformer方法难以有效捕捉金属伪影的方向性几何特征，导致结构恢复效果不佳。
  2. AS-Mamba利用Mamba架构的序列建模能力，显式地捕获和抑制金属伪影的方向性条纹，并结合频域校正。
  3. 实验表明，AS-Mamba在抑制方向性条纹和保持结构细节方面表现出色，验证了物理几何先验的有效性。

📝 摘要（中文）

金属伪影严重降低了计算机断层扫描(CT)图像的质量，阻碍了准确的临床诊断。现有的深度学习方法，如CNN和Transformer，通常无法显式地捕获伪影的方向性几何特征，导致结构恢复不佳。为了解决这些限制，我们提出了一种用于金属伪影抑制的非对称自引导Mamba (AS-Mamba)。具体来说，金属引起的条状伪影的线性传播与状态空间模型(SSM)的序列建模能力非常吻合。因此，利用Mamba架构来显式地捕获和抑制这些方向性伪影。同时，结合频域校正机制来校正全局幅度谱，从而减轻由束硬化引起的强度不均匀性。此外，为了弥合不同临床场景中的分布差距，我们引入了一种自引导对比正则化策略。在公共和临床牙科CBCT数据集上的大量实验表明，AS-Mamba在抑制方向性条纹和保持结构细节方面取得了优异的性能，验证了将物理几何先验集成到深度网络设计中的有效性。

🔬 方法详解

问题定义：论文旨在解决CT图像中金属伪影带来的图像质量下降问题，现有方法如CNN和Transformer难以有效捕捉伪影的方向性几何特征，导致结构恢复不完整，影响临床诊断的准确性。

核心思路：论文的核心思路是利用状态空间模型（SSM）特别是Mamba架构的序列建模能力，显式地建模和抑制金属伪影引起的条状伪影。Mamba擅长处理序列数据，而金属伪影的线性传播特性与序列建模天然契合。同时，结合频域校正和自引导对比正则化，进一步提升伪影抑制效果和泛化能力。

技术框架：AS-Mamba采用解耦迭代网络结构。整体流程包括：首先，利用Mamba模块捕捉和抑制方向性伪影；然后，通过频域校正模块校正全局幅度谱，减轻束硬化效应；最后，使用自引导对比正则化策略，缩小不同临床场景下的数据分布差异，提高模型的泛化能力。整个网络以迭代的方式进行优化，逐步提升图像质量。

关键创新：论文的关键创新在于将Mamba架构引入到金属伪影抑制任务中，利用其序列建模能力显式地捕捉和抑制方向性伪影。与传统的CNN和Transformer方法相比，AS-Mamba能够更好地利用伪影的几何先验知识，从而实现更有效的伪影抑制和结构恢复。此外，自引导对比正则化策略也有助于提升模型的泛化能力。

关键设计：AS-Mamba的关键设计包括：1) 非对称Mamba模块，针对伪影的特定方向性进行优化；2) 频域校正模块，用于校正全局幅度谱；3) 自引导对比正则化损失函数，用于缩小不同临床场景下的数据分布差异。具体的网络结构和参数设置在论文中有详细描述，损失函数的设计也考虑了伪影抑制和结构保持之间的平衡。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，AS-Mamba在公共和临床牙科CBCT数据集上均取得了优异的性能。与现有方法相比，AS-Mamba能够更有效地抑制方向性条纹伪影，并更好地保持图像的结构细节。具体的性能指标（如PSNR、SSIM等）在论文中有详细展示，并与其他基线方法进行了对比，证明了AS-Mamba的优越性。

🎯 应用场景

该研究成果可应用于医学影像领域，特别是牙科CBCT图像的金属伪影抑制，提高图像质量，辅助医生进行更准确的诊断和治疗计划制定。未来可扩展到其他CT成像场景，例如骨科、心血管等，具有重要的临床应用价值。

📄 摘要（原文）

Metal artifact significantly degrades Computed Tomography (CT) image quality, impeding accurate clinical diagnosis. However, existing deep learning approaches, such as CNN and Transformer, often fail to explicitly capture the directional geometric features of artifacts, leading to compromised structural restoration. To address these limitations, we propose the Asymmetric Self-Guided Mamba (AS-Mamba) for metal artifact reduction. Specifically, the linear propagation of metal-induced streak artifacts aligns well with the sequential modeling capability of State Space Models (SSMs). Consequently, the Mamba architecture is leveraged to explicitly capture and suppress these directional artifacts. Simultaneously, a frequency domain correction mechanism is incorporated to rectify the global amplitude spectrum, thereby mitigating intensity inhomogeneity caused by beam hardening. Furthermore, to bridge the distribution gap across diverse clinical scenarios, we introduce a self-guided contrastive regularization strategy. Extensive experiments on public andclinical dental CBCT datasets demonstrate that AS-Mamba achieves superior performance in suppressing directional streaks and preserving structural details, validating the effectiveness of integrating physical geometric priors into deep network design.