《Frontiers in Neuroanatomy》：LiteMamba-Synth: lightweight state space models for efficient 3T-to-7T MRI translation
编辑推荐：
摘要：引言：7T磁共振成像（MRI）的卓越临床效用受到高采集成本和有限扫描仪可用性的限制。尽管基于深度学习的3T到7T合成提供了一种潜在解决方案，但现有模型通常依赖大量参数化，这增加了计算冗余和在小规模医学数据集上过拟合的风险。本文中，研究人员关注模型效率，提
摘要：引言：7T磁共振成像（MRI）的卓越临床效用受到高采集成本和有限扫描仪可用性的限制。尽管基于深度学习的3T到7T合成提供了一种潜在解决方案，但现有模型通常依赖大量参数化，这增加了计算冗余和在小规模医学数据集上过拟合的风险。本文中，研究人员关注模型效率，提出LiteMamba-Synth，一种架构精简的状态空间框架，旨在以最小资源需求实现高保真MRI转换。方法：研究人员的核心贡献是集成ConvMamba块，该块利用状态空间模型（SSMs）的线性时间复杂度捕捉广泛的时空依赖，避免了传统注意力机制的高昂计算开销。为在特征空间压缩过程中保留关键解剖细节，研究人员引入了Wavelet增强跳跃连接（WES），这是一个促进多尺度频域特征融合的模块，以保护高频纹理和边缘信息。此外，一个轻量级卷积块注意力模块（CBAM）被纳入，以自适应地重新校准特征响应，聚焦于显著神经解剖区域。结果：在UNC T1w数据集上的实验结果表明，LiteMamba-Synth实现了具有竞争力的峰值信噪比（PSNR）20.82 dB和结构相似性指数（SSIM）0.711。关键是，该模型仅保持215万参数的紧凑规模，与当前深度学习基线相比，复杂性显著降低。讨论：通过以最小参数开销提供高质量合成结果，LiteMamba-Synth为在资源受限的临床环境中部署高级MRI合成提供了实用且可扩展的解决方案。
**论文解读：LiteMamba-Synth——高效3T到7T MRI转换的轻量级状态空间模型**
**研究背景与问题**
超高场7T磁共振成像（MRI）凭借其卓越的信噪比（SNR）和空间分辨率，在神经诊断和病理评估（如阿尔茨海默病、心血管疾病）中展现出变革性临床价值。然而，7T系统的广泛临床集成受到高昂采集成本和维护要求的严重限制。近年来，深度学习推动了3T到7T MRI合成作为一种经济高效的计算替代方案。通过神经网络从标准3T扫描重建模拟7T图像，这一范式有助于恢复在3T采集中间接不可见的复杂病理细节和纹理保真度，为高质量临床神经成像提供了可行且创新的路径。
当前医学图像合成领域面临关键挑战：现有深度学习方法要么依赖大量参数化，导致在小规模医学数据集上过拟合风险增加，要么采用过度轻量化策略，损害解剖纹理保真度。例如，生成对抗网络（GANs）和Transformer架构虽能捕捉长程依赖，但计算开销大；而一些轻量模型则牺牲了重建质量。因此，亟需一种在参数效率与合成质量之间取得最优平衡的框架。
**研究内容与结论**
研究人员提出LiteMamba-Synth，一种架构精简的状态空间框架，首次将线性时间复杂度的状态空间模型（SSM）集成到3T到7T MRI转换领域。该模型设计了三个核心模块：ConvMamba块，利用SSM的线性时间复杂度捕捉全局空间依赖，避免传统注意力的二次计算开销；Wavelet增强跳跃连接（WES），通过多尺度频域特征融合保留高频纹理和边缘信息；卷积块注意力模块（CBAM），自适应地重新校准特征响应，聚焦于显著神经解剖区域。在UNC T1w数据集上的实验表明，LiteMamba-Synth实现峰值信噪比（PSNR）20.82 dB和结构相似性指数（SSIM）0.711，同时仅保持2.15M参数，显著低于现有基线（如FS-RWKV的45.40M、ResViT的123.44M）。该框架在多个跨站点（UNC、BNU）和跨模态（T1w、T2w）任务中表现一致，尤其BNU T2w任务上PSNR达到27.66 dB，为所有对比方法中最高。论文发表在《Frontiers in Neuroanatomy》。
**主要技术方法**
研究使用公开的BNU-UNC配对数据集（30名受试者的3T和7T脑T1w MRI图像），以UNC站点数据为主要验证平台。预处理包括N4偏场校正、刚性配准和最小-最大归一化，轴向切片后得到约1600张二维切片，训练集、验证集和测试集按受试者级别严格划分。核心架构基于层次化U-Net-like骨架，包含四个级别的ConvMamba模块（L1到L4），采用多目标复合损失函数（Smooth ?1损失、SSIM损失和边缘感知Sobel损失），优化器为AdamW，学习率采用余弦退火调度，训练300个epoch。
**研究结果**
- **3.2 与现有方法比较**：在UNC T1w基准上，LiteMamba-Synth的PSNR为20.82 dB，SSIM为0.711，RMSE为0.092。与CycleGAN、pix2pix相比，PSNR分别提升0.84 dB和0.86 dB；参数规模仅2.15M，较FS-RWKV（45.40M）、PTNet（28.13M）、pix2pix（57.18M）和ResViT（123.44M）分别减少约95.3%、92.4%、96.2%和98.3%。
- **3.2.1 跨站点和跨模态泛化**：在UNC T2w、BNU T1w和BNU T2w任务上，LiteMamba-Synth均保持竞争力，其中BNU T2w取得最高PSNR（27.66 dB）和最低RMSE（0.042），表明该轻量架构在不同成像协议和采集站点间具有良好的泛化能力。
- **3.3.1 模型容量影响**：嵌入维度从24增至28时，PSNR从20.12 dB升至20.82 dB，SSIM从0.696升至0.711；但进一步增至32时，性能下降（PSNR 20.56 dB，SSIM 0.695），表明增大容量未必提升泛化，维度28为最优折中。
- **3.3.2 评估区域影响**：在全图256×256评估中PSNR为20.820 dB，SSIM为0.711；中心128×128裁剪区域评估中PSNR升至23.870 dB，SSIM为0.719，RMSE降至0.064，表明模型对解剖信息丰富的脑区重建更准确。
- **3.3.3 模块消融**：基线（无WES和CBAM）PSNR为20.17 dB，SSIM为0.684；仅添加WES导致性能略降（PSNR 20.15 dB，SSIM 0.671），表明无注意力引导的高频放大可能引入噪声；仅添加CBAM使PSNR升至20.58 dB，SSIM升至0.703；两者联合（LiteMamba-Synth）达到最佳PSNR 20.82 dB、SSIM 0.711，参数仅增加0.022M，证实频域感知特征传播与注意力引导特征细化具有互补效益。
**讨论与结论**
**讨论**：LiteMamba-Synth凭借线性复杂度的选择性状态空间模型（Mamba），以仅2.15M参数实现具有竞争力的MRI合成性能，显著降低了过拟合风险和部署计算需求。区域评估显示模型在脑区具有更高重建精度。消融实验表明，WES与CBAM的联合使用优于单独模块，而模型容量研究指出嵌入维度28为最优配置。局限性包括：当前基于2D切片，无法充分利用3D体积上下文信息；对病理病例（如肿瘤、病灶）的有效性尚未系统评估。未来工作将探索3D架构和多切片融合策略，并开展多中心验证。
**结论**：LiteMamba-Synth通过集成ConvMamba块、Wavelet增强跳跃连接和卷积块注意力模块，在极低参数开销下实现了高保真3T到7T MRI转换，为资源受限的临床环境提供了实用且可扩展的解决方案。
