基于Mamba算法的多模态MRI重建技术：通过尺度多样性融合与频率净化实现图像质量提升

《Biomedical Signal Processing and Control》：Mamba-driven multi-modality MRI reconstruction via scale diversity fusion and frequency purification

多模态MRI重建中，SFM-Net通过全局局部特征分离与低秩融合Mamba模块实现多尺度特征高效融合，同时利用频率域去耦Mamba抑制冗余信息干扰，显著提升重建质量并降低参数量。

　　MRI技术作为一种非侵入性和无辐射的诊断手段，已被广泛应用于临床实践中。然而，其扫描速度往往受到设备性能和成像协议的限制，这在实际应用中可能会导致图像采集效率低下，尤其是在需要高分辨率和多模态数据的情况下。为了解决这一问题，研究者们提出了多种方法，其中压缩感知（Compressed Sensing, CS）是一种常见的技术，通过利用特定变换域中的稀疏信号表示来加速图像重建。尽管CS方法在理论上具有优势，但其迭代过程通常需要较长的运行时间，难以满足实际应用中对实时性的需求。

近年来，随着深度学习技术的发展，卷积神经网络（Convolutional Neural Networks, CNNs）和Transformer模型被广泛应用于MRI图像的重建任务中。CNNs因其局部感受野和参数效率而在图像处理领域取得了显著成果，而Transformer则通过自注意力机制能够捕捉更全局的特征信息。此外，生成对抗网络（Generative Adversarial Networks, GANs）和扩散模型（Diffusion Models）等方法也被引入到MRI重建中，以提高图像质量和细节表现力。然而，这些方法在处理多模态MRI数据时仍然面临挑战，尤其是在如何有效地融合不同尺度的特征信息以及如何在频率域中去除冗余信息和重建伪影方面。

针对上述问题，本文提出了一种基于Mamba的多模态MRI重建方法，称为SFM-Net。SFM-Net的核心思想是通过引入低秩融合Mamba（Low Rank Fusion Mamba, LRFM）模块和频率域解耦Mamba（Frequency Domain Decoupling Mamba, FD2M）模块，分别解决多尺度特征融合和频率信息净化的问题。LRFM模块通过低秩因子机制，实现不同模态下全局特征和局部特征的有效融合，从而在减少参数数量的同时提升多尺度特征的交互效率。FD2M模块则通过构建具有不同频率响应的自适应权重，实现对相似频率信息的区分，从而抑制由于欠采样导致的伪影，保留关键的频率特征。

多模态MRI重建的关键在于如何利用不同模态的参考图像来提供先验信息，从而提升目标模态图像的重建质量。不同模态的MRI图像可以揭示同一感兴趣区域（Region of Interest, ROI）的不同特性，例如T1加权图像可以提供组织的对比度信息，而T2加权图像则可以反映组织的水分含量。通过融合这些信息，可以更全面地描述ROI的特征，从而提高诊断的准确性。然而，现有的多模态MRI重建方法在特征融合和频率信息处理方面仍存在不足，例如特征融合不够充分、频率信息冗余导致伪影等问题。

本文提出的SFM-Net框架在结构设计上具有显著优势。首先，在多尺度特征融合方面，SFM-Net引入了全局特征捕获块（Global Feature Capture Block, GFCB）和局部特征捕获块（Local Feature Capture Block, LFCB），分别用于提取不同模态下的全局上下文信息和局部细节特征。这两种模块的设计使得网络能够同时捕捉到图像的宏观结构和微观细节，从而在多尺度特征表示上更加全面。其次，在频率信息净化方面，SFM-Net采用了FD2M模块，通过构建具有不同频率响应的自适应权重，实现对频率信息的精细化处理。这一模块能够在重建过程中有效区分相似频率成分，从而抑制由于欠采样导致的伪影，保留关键的频率特征。

在实验验证方面，本文对多个公开数据集进行了测试，包括IXI和FastMRI等。IXI数据集包含近600例健康受试者的MRI图像，涵盖了T1加权、T2加权、质子密度加权等多种模态。FastMRI数据集则是目前最大的开源MRI数据集，包含了大量完全采样的k空间数据，为研究提供了丰富的训练和测试样本。通过在这些数据集上的测试，SFM-Net展示了其在不同加速率下的优越性能，不仅能够实现高质量的图像重建，而且在参数数量上也优于现有的方法。此外，本文还通过Bland-Altman一致性分析（Limits of Agreement, LoA）对GFCB和LFCB模块的效果进行了评估，结果显示这些模块在提升重建精度方面发挥了重要作用。

SFM-Net的提出为多模态MRI重建提供了一种新的思路，即通过融合不同尺度的特征信息和优化频率域的处理方式，实现更高效的图像重建。该方法不仅能够减少参数数量，降低计算复杂度，还能够有效提升图像质量，避免因欠采样导致的伪影问题。此外，SFM-Net在实际应用中的潜力也得到了验证，其在不同加速率下的稳定表现表明了其在临床环境中的适用性。未来的研究可以进一步探索SFM-Net在其他医学影像任务中的应用，例如图像分割、分类和生成等，以充分发挥其在多模态信息处理方面的优势。

本文的研究成果表明，基于Mamba的网络结构在多模态MRI重建任务中具有显著的优势。与传统的CNN和Transformer模型相比，Mamba的线性复杂度和选择性信息传播机制使其在参数效率和计算速度方面表现出色。同时，SFM-Net通过引入低秩融合机制和频率域解耦策略，有效解决了多模态MRI重建中的关键问题，即多尺度特征融合不足和频率信息冗余导致的伪影。这些改进不仅提升了重建图像的质量，还使得模型在实际应用中更加高效和实用。

此外，本文还强调了多模态MRI在临床诊断中的重要性。通过结合不同模态的图像信息，医生可以获得更全面的病灶特征，从而提高诊断的准确性。然而，目前的多模态MRI重建方法仍然存在一定的局限性，例如需要较长的扫描时间，以及在处理多尺度特征和频率信息时的效率问题。因此，本文提出的SFM-Net方法不仅在技术上有所突破，而且在实际应用中也具有重要的意义。

总的来说，SFM-Net通过创新性的网络结构设计，有效解决了多模态MRI重建中的关键问题。其在参数效率、计算速度和图像质量方面的优势，使其成为当前MRI重建领域的一个重要进展。未来的研究可以进一步优化SFM-Net的性能，探索其在更广泛医学影像任务中的应用，并结合实际临床需求，推动其在医疗领域的落地和推广。