Adaptive Gate-Aware Mamba Networks for Magnetic Resonance Fingerprinting

📄 arXiv: 2507.03369v1 📥 PDF

作者: Tianyi Ding, Hongli Chen, Yang Gao, Zhuang Xiong, Feng Liu, Martijn A. Cloos, Hongfu Sun

分类: eess.IV, cs.LG, eess.SP

发布日期: 2025-07-04

备注: 31 pages, 7 figures

💡 一句话要点

提出GAST-Mamba网络，用于加速高欠采样磁共振指纹图谱重建。

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

关键词: 磁共振指纹图谱 深度学习 Mamba网络 图像重建 欠采样重建

📋 核心要点

  1. 传统磁共振指纹图谱（MRF）字典匹配方法计算成本高，内存占用大，难以扩展到多参数映射。
  2. 论文提出GAST-Mamba网络，利用双Mamba编码器和Gate-Aware时空处理器，高效捕捉长程空间依赖。
  3. 实验表明，GAST-Mamba在加速MRF数据重建中，T1和T2映射的PSNR和SSIM指标均优于现有方法，并减少了伪影。

📝 摘要（中文）

磁共振指纹图谱(MRF)通过将信号演变与预定义字典匹配来实现快速定量成像。然而，传统字典匹配的计算成本和内存使用量随参数数量呈指数增长，限制了其向多参数映射的可扩展性。为了解决这个问题，最近的研究探索了基于深度学习的方法作为DM的替代方案。我们提出了GAST-Mamba，一个端到端框架，它结合了基于双Mamba的编码器和一个Gate-Aware时空(GAST)处理器。基于结构化状态空间模型，我们的架构以线性复杂度有效地捕获长程空间依赖关系。在5倍加速的模拟MRF数据(200帧)上，GAST-Mamba的T1 PSNR达到33.12 dB，优于SCQ(31.69 dB)。对于T2映射，它达到了30.62 dB的PSNR和0.9124的SSIM。体内实验进一步证明了改善的解剖细节和减少的伪影。消融研究证实了每个组件都有助于性能，GAST模块在强欠采样下尤其重要。这些结果证明了GAST-Mamba对于从高度欠采样的MRF采集中进行准确和鲁棒重建的有效性，为传统的基于DM的方法提供了一种可扩展的替代方案。

🔬 方法详解

问题定义：传统MRF方法依赖于字典匹配，当需要映射多个参数时，字典的大小会呈指数级增长，导致计算量和内存需求急剧增加。这限制了MRF在临床上的广泛应用。现有深度学习方法虽然有所改进，但在捕捉长程空间依赖方面仍存在不足。

核心思路：论文的核心思路是利用Mamba架构的线性复杂度和长程依赖建模能力，结合Gate-Aware机制，自适应地处理空间和时间信息。通过这种方式，可以在保证重建质量的同时，显著降低计算成本和内存占用。

技术框架：GAST-Mamba框架包含一个双Mamba编码器和一个Gate-Aware时空(GAST)处理器。双Mamba编码器用于提取输入MRF数据的特征，GAST处理器则负责融合空间和时间信息，并进行重建。整个框架以端到端的方式进行训练。

关键创新：该方法最重要的技术创新点在于GAST模块的设计。GAST模块通过引入门控机制，能够自适应地选择重要的空间和时间特征，从而提高重建的准确性和鲁棒性，尤其是在高欠采样的情况下。Mamba架构的应用也使得模型能够以线性复杂度处理长程依赖，提高了效率。

关键设计：GAST模块包含空间门控和时间门控两个部分。空间门控利用卷积神经网络学习空间注意力权重，时间门控则利用循环神经网络学习时间注意力权重。损失函数采用均方误差（MSE）损失，优化器采用Adam。Mamba块的具体参数设置（如状态维度、扩展因子等）根据实验结果进行调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在5倍加速的模拟MRF数据（200帧）上，GAST-Mamba的T1 PSNR达到33.12 dB，优于SCQ的31.69 dB。对于T2映射，GAST-Mamba达到了30.62 dB的PSNR和0.9124的SSIM。体内实验也显示，GAST-Mamba能够提供更清晰的解剖细节，并减少伪影。消融实验表明，GAST模块在高欠采样情况下对性能提升至关重要。

🎯 应用场景

GAST-Mamba网络在磁共振成像领域具有广泛的应用前景，尤其是在需要快速、定量成像的场景中。它可以用于加速多参数MRF扫描，提高成像效率，减少患者扫描时间。此外，该方法还可以应用于其他医学图像重建任务，例如CT、PET等，具有重要的临床价值和潜在的商业价值。

📄 摘要（原文）

Magnetic Resonance Fingerprinting (MRF) enables fast quantitative imaging by matching signal evolutions to a predefined dictionary. However, conventional dictionary matching suffers from exponential growth in computational cost and memory usage as the number of parameters increases, limiting its scalability to multi-parametric mapping. To address this, recent work has explored deep learning-based approaches as alternatives to DM. We propose GAST-Mamba, an end-to-end framework that combines a dual Mamba-based encoder with a Gate-Aware Spatial-Temporal (GAST) processor. Built on structured state-space models, our architecture efficiently captures long-range spatial dependencies with linear complexity. On 5 times accelerated simulated MRF data (200 frames), GAST-Mamba achieved a T1 PSNR of 33.12~dB, outperforming SCQ (31.69~dB). For T2 mapping, it reached a PSNR of 30.62~dB and SSIM of 0.9124. In vivo experiments further demonstrated improved anatomical detail and reduced artifacts. Ablation studies confirmed that each component contributes to performance, with the GAST module being particularly important under strong undersampling. These results demonstrate the effectiveness of GAST-Mamba for accurate and robust reconstruction from highly undersampled MRF acquisitions, offering a scalable alternative to traditional DM-based methods.