DM-Mamba: Dual-domain Multi-scale Mamba for MRI reconstruction

要約

加速された MRI 再構成は、k 空間での大幅なアンダーサンプリングにより、困難な不適正設定逆問題を引き起こします。
CNN や ViT などのディープ ニューラル ネットワークは、グローバルな受容野と効率的な計算の間のジレンマに直面しながらも、このタスクのパフォーマンスが大幅に向上していることが示されています。
この目的を達成するために、この論文は、効率的かつ効果的な MRI 再構成のための、線形複雑性を備えた長距離依存関係モデリングの新しいパラダイムである Mamba を探索する先駆者です。
しかし、Mamba を MRI 再構成に直接適用すると、次の 3 つの重大な問題に直面します。 (1) Mamba の行方向および列方向のスキャンにより、k 空間の固有のスペクトルが破壊され、k 空間学習における可能性が未開拓のままになります。
(2) 既存の Mamba メソッドは、複数の長いスキャン パスを使用して特徴マップを展開するため、長距離の忘却と高い計算負荷につながります。
(3) マンバは空間的に変化するコンテンツに苦戦しており、その結果、ローカル表現の多様性が限られてしまいます。
これらに対処するために、以下の観点から MRI 再構成用のデュアルドメイン マルチスケール Mamba を提案します。 (1) k 空間学習におけるビジョン Mamba の先駆者です。
円形スキャンはスペクトル展開用にカスタマイズされており、k 空間のグローバル モデリングに利益をもたらします。
(2) 画像領域と k 空間領域の両方で効率的なスキャン戦略を備えたマルチスケール Mamba を提案します。
長距離の物忘れを軽減し、効率とパフォーマンスの間のより良いトレードオフを実現します。
(3) Mamba の空間的に変化する表現を改善するローカル ダイバーシティ強化モジュールを開発します。
さまざまなアンダーサンプリング パターンの下で、MRI 再構成のための 3 つの公開データセットに対して広範な実験が行われています。
包括的な結果は、私たちの方法が、より低い計算コストで最先端の方法よりも大幅に優れていることを示しています。
実装コードは https://github.com/XiaoMengLiLiLi/DM-Mamba で入手できます。

要約(オリジナル)

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 ViT, have shown substantial performance improvements for this task while encountering the dilemma between global receptive fields and efficient computation. To this end, this paper pioneers exploring 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’s row-wise and column-wise scanning disrupts k-space’s unique spectrum, leaving its potential in k-space learning unexplored. (2) Existing Mamba methods unfold feature maps with multiple lengthy scanning paths, 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 multi-scale 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 multi-scale 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. Implementation code will be available at https://github.com/XiaoMengLiLiLi/DM-Mamba.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google