Balancing Efficiency and Restoration: Lightweight Mamba-Based Model for CT Metal Artifact Reduction

📄 arXiv: 2604.06622v1 📥 PDF

作者: Weikai Qu, Sijun Liang, Xianfeng Li, Cheng Pan, An Yan, Ahmed Elazab, Shanzhou Niu, Dong Zeng, Xiang Wan, Changmiao Wang

分类: cs.CV

发布日期: 2026-04-08

备注: Accepted by IEEE Transactions on Radiation and Plasma Medical Sciences

DOI: 10.1109/TRPMS.2026.3674764

🔗 代码/项目: GITHUB

💡 一句话要点

提出基于轻量级Mamba的MARMamba模型，用于CT金属伪影高效去除。

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

关键词: CT成像 金属伪影去除 Mamba架构 UNet 多尺度分析 医学影像处理 深度学习

📋 核心要点

  1. 现有CT金属伪影去除方法存在器官结构退化、依赖正弦图数据、效率与资源不平衡等问题。
  2. MARMamba通过多尺度Mamba模块提取多方向上下文信息，并结合平均最大前馈网络抑制伪影。
  3. 实验表明，MARMamba在伪影去除方面优于其他模型，并在计算资源利用上实现了平衡。

📝 摘要（中文）

在计算机断层扫描成像中，金属植入物经常产生严重的伪影，影响图像质量并降低诊断准确性。现有方法主要面临三个挑战：器官和组织结构退化、依赖正弦图数据以及资源使用与恢复效率之间的不平衡。为了解决这些问题，我们提出了MARMamba，它能有效消除不同尺寸金属引起的伪影，同时保持图像原始解剖结构的完整性。此外，该模型仅关注受金属伪影影响的CT图像，无需额外输入数据。该模型是一个精简的UNet架构，集成了多尺度Mamba（MS-Mamba）作为其核心模块。在MS-Mamba中，翻转Mamba块通过分析来自多个方向的图像来捕获全面的上下文信息。随后，平均最大前馈网络将关键特征与平均特征相结合，以抑制伪影。这种组合使MARMamba能够高效地减少伪影。实验结果表明，我们的模型在减少金属伪影方面表现出色，与其他模型相比具有明显的优势。它还在计算需求、内存使用和参数数量之间实现了最佳平衡，突出了其在现实世界中的实用性。该模型的代码可在https://github.com/RICKand-MORTY/MARMamba 获取。

🔬 方法详解

问题定义：论文旨在解决CT成像中金属植入物引起的伪影问题。现有方法的痛点在于，要么会损害图像的原始解剖结构，要么需要额外的正弦图数据，并且在计算资源消耗和伪影去除效果之间难以达到平衡。

核心思路：论文的核心思路是利用Mamba架构的序列建模能力，在轻量级的UNet框架下，通过多尺度分析和特征融合，有效地去除金属伪影，同时保持图像的原始结构信息，并降低计算资源的需求。这样设计的目的是为了在保证伪影去除效果的同时，提高模型的实用性和效率。

技术框架：MARMamba模型基于UNet架构，主要包含编码器、解码器和核心的MS-Mamba模块。编码器负责提取图像特征，解码器负责重建图像，MS-Mamba模块则嵌入在UNet的各个层级之间，用于捕获多尺度的上下文信息并抑制伪影。MS-Mamba模块包含翻转Mamba块和平均最大前馈网络。

关键创新：论文的关键创新在于将Mamba架构引入到CT金属伪影去除任务中，并提出了多尺度Mamba（MS-Mamba）模块。MS-Mamba通过翻转Mamba块从多个方向分析图像，从而捕获更全面的上下文信息。与传统的卷积神经网络相比，Mamba架构具有更强的序列建模能力和更低的计算复杂度。

关键设计：MS-Mamba模块中的翻转Mamba块通过对输入图像进行不同角度的翻转，然后分别进行Mamba序列建模，最后将结果融合，从而实现多方向的上下文信息提取。平均最大前馈网络则将平均特征和最大特征相结合，以更好地抑制伪影。损失函数方面，论文可能采用了L1或L2损失函数，以衡量重建图像与原始图像之间的差异（具体损失函数细节未知）。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，MARMamba模型在减少金属伪影方面优于其他模型，并在计算需求、内存使用和参数数量之间实现了最佳平衡。具体性能数据（如PSNR、SSIM等）和对比基线的详细信息需要在论文中查找（具体数值未知），但摘要强调了其在效率和效果上的优势。

🎯 应用场景

该研究成果可应用于医学影像诊断领域，特别是针对存在金属植入物的患者的CT图像进行预处理，提高图像质量，辅助医生进行更准确的诊断，减少误诊率。该模型具有轻量化和高效的特点，更易于部署到实际的临床环境中，具有广阔的应用前景。

📄 摘要（原文）

In computed tomography imaging, metal implants frequently generate severe artifacts that compromise image quality and hinder diagnostic accuracy. There are three main challenges in the existing methods: the deterioration of organ and tissue structures, dependence on sinogram data, and an imbalance between resource use and restoration efficiency. Addressing these issues, we introduce MARMamba, which effectively eliminates artifacts caused by metals of different sizes while maintaining the integrity of the original anatomical structures of the image. Furthermore, this model only focuses on CT images affected by metal artifacts, thus negating the requirement for additional input data. The model is a streamlined UNet architecture, which incorporates multi-scale Mamba (MS-Mamba) as its core module. Within MS-Mamba, a flip mamba block captures comprehensive contextual information by analyzing images from multiple orientations. Subsequently, the average maximum feed-forward network integrates critical features with average features to suppress the artifacts. This combination allows MARMamba to reduce artifacts efficiently. The experimental results demonstrate that our model excels in reducing metal artifacts, offering distinct advantages over other models. It also strikes an optimal balance between computational demands, memory usage, and the number of parameters, highlighting its practical utility in the real world. The code of the presented model is available at: https://github.com/RICKand-MORTY/MARMamba.