GL-mamba-net：一个结合全局与局部特征的磁共振成像恢复网络

《Magnetic Resonance Imaging》：GL-mamba-net: A magnetic resonance imaging restoration network with global-local mamba

　　本文提出基于双路径Mamba网络的MRI加速恢复方法，通过多尺度局部特征提取和全局特征融合模块，有效提升低采样MRI图像的重建质量与效率，在NAMIC、fastMRI和BraTS数据集上显著优于现有方法。

　　MRI（磁共振成像）技术在临床诊断和疾病评估中扮演着至关重要的角色。然而，传统的MRI扫描过程往往需要较长的时间，这不仅增加了患者的不适感，还可能因为患者在扫描过程中的运动或生理活动导致严重的运动伪影，进而影响图像质量。为了解决这一问题，近年来研究者们尝试通过引入深度学习方法来加速MRI图像的采集过程。然而，尽管这些方法在一定程度上提高了效率，但它们在捕捉局部纹理特征以及融合全局与局部信息方面仍存在不足。

为应对上述挑战，本文提出了一种基于双路径Mamba架构的MRI图像修复方法，称为GL-Mamba-Net。该方法通过一种多尺度局部特征与全局特征融合的策略，有效提升了MRI图像修复的质量和效率。具体而言，本文主要做了以下三个方面的工作：

首先，设计了一种多尺度局部Mamba模块（MSLMB）。该模块采用多尺度窗口机制，从不同区域提取局部信息，从而能够捕捉到更加丰富的局部特征。传统的图像修复方法在处理局部细节时往往局限于较小的区域，而MSLMB通过多尺度的处理方式，能够在不同尺度上提取信息，使得局部特征的表达更加全面和准确。

其次，提出了一种新的特征融合模块（FFB）。该模块能够有效地融合图像的整体结构和细节特征，从而增强网络对图像特征的表达能力。在实际应用中，图像的修复效果不仅取决于局部信息的提取，还与全局信息的整合密切相关。FFB通过其独特的融合机制，能够在不同层次上将全局信息与局部信息结合起来，进一步提升修复图像的质量。

最后，构建了一个双路径Mamba网络架构。该架构通过分别利用全局Mamba模块（GMB）和多尺度局部Mamba模块（MSLMB）提取全局信息和多尺度局部信息，并通过FFB进行深度融合，从而显著提高了特征提取能力和网络在复杂和动态数据环境中的适应性。这种双路径设计使得网络能够在不同尺度和不同层次上处理图像信息，既保留了全局的结构特征，又增强了局部细节的表达能力。

为了验证GL-Mamba-Net的有效性，本文在NAMIC、fastMRI和BraTS等三个公开的MRI数据集上进行了全面的实验评估。实验结果表明，GL-Mamba-Net在多个评价指标上均优于现有的主流方法，尤其是在恢复图像的纹理细节和组织结构方面表现突出。这些数据集涵盖了脑部和膝关节等不同部位的MRI图像，能够有效反映方法在不同应用场景下的性能。

NAMIC脑部数据集包含了来自20名注册患者的T1加权（T1WI）和T2加权（T2WI）脑部数据。在本研究中，我们从每位患者的T2WI脑部数据中选取了90个轴向切片，每个切片的大小为256×256，最终形成了一个包含1800个切片的数据集。其中，1350个切片来自15名患者用于训练，其余270个切片来自3名患者用于评估。

fastMRI膝关节数据集则包含了多种膝关节MRI图像，这些图像在采集过程中通常受到欠采样的影响。为了提高图像的分辨率和质量，研究者们通常采用深度学习方法对这些欠采样的图像进行修复。在本研究中，我们使用fastMRI数据集来验证GL-Mamba-Net在膝关节MRI图像修复中的表现。

BraTS脑部数据集则专注于脑肿瘤的MRI图像，这些图像通常包含复杂的组织结构和病灶信息。在该数据集中，我们选取了多个脑部切片，用于评估GL-Mamba-Net在多对比度MRI图像修复中的能力。

在实验设计方面，本文首先在单对比度的MRI图像修复任务中进行了比较实验，分别在NAMIC、BraTS和fastMRI数据集上测试了GL-Mamba-Net与其他几种代表性模型的性能。这些模型包括基于卷积神经网络（CNN）的U-Net、基于Transformer的SwinIR和Recon-Former，以及基于Mamba的MambaIR等。通过对比实验，我们发现GL-Mamba-Net在多个指标上均表现出色，尤其是在恢复图像的纹理细节和组织结构方面具有显著优势。

此外，本文还进行了多对比度的MRI图像修复实验，以进一步验证GL-Mamba-Net的泛化能力。多对比度MRI图像通常包含多个不同的扫描序列，每个序列都提供了不同的组织信息。在这些实验中，GL-Mamba-Net展示了其在处理多对比度图像时的优越性能，能够有效融合不同对比度的信息，从而提升整体的图像质量。

为了进一步分析GL-Mamba-Net的性能，本文还进行了详细的讨论。在这些讨论中，我们重点探讨了该方法在图像修复过程中如何有效融合多尺度局部特征与全局特征，以及这种融合机制如何提升图像的细节恢复能力。我们还分析了该方法在不同数据集上的表现差异，以及其在实际应用中的潜在优势。

从实验结果来看，GL-Mamba-Net在多个任务中均取得了良好的效果。例如，在NAMIC数据集上，该方法在恢复脑部MRI图像的细节方面表现尤为突出，能够有效去除伪影并提升图像的清晰度。在fastMRI数据集上，该方法同样展示了其在膝关节MRI图像修复中的优势，能够准确恢复图像的纹理特征，提高图像的分辨率。而在BraTS数据集上，GL-Mamba-Net在多对比度MRI图像的修复任务中表现优异，能够清晰地区分不同的组织结构，为临床诊断提供了更加可靠的依据。

通过这些实验，我们发现GL-Mamba-Net不仅在图像质量上优于现有的方法，还在计算效率方面具有显著优势。由于Mamba架构本身具有轻量化的特性，GL-Mamba-Net能够在保持较高修复质量的同时，减少计算资源的消耗，从而提高图像修复的速度。这种高效性对于实际临床应用尤为重要，因为MRI图像的采集和修复过程需要在较短时间内完成，以减少患者的不适和提高诊断效率。

此外，本文还探讨了GL-Mamba-Net在不同应用场景下的适应性。例如，在处理动态变化的MRI数据时，该方法能够有效应对数据的复杂性和不确定性，从而保持较高的修复性能。这表明GL-Mamba-Net不仅适用于静态的MRI图像修复任务，还能够在动态环境中表现出良好的鲁棒性。

最后，本文总结了GL-Mamba-Net的主要贡献。通过引入多尺度局部Mamba模块和新的特征融合模块，GL-Mamba-Net能够更全面地捕捉图像的局部和全局信息，从而提升图像修复的质量和效率。实验结果进一步验证了该方法的优越性，表明其在MRI图像修复领域具有广泛的应用前景。未来的研究可以进一步探索该方法在其他医学影像任务中的应用，例如CT图像修复或X光图像增强等。此外，还可以尝试将GL-Mamba-Net与其他先进的深度学习模型相结合，以进一步提升其性能和适用性。

综上所述，本文提出的GL-Mamba-Net为MRI图像修复提供了一种新的解决方案。该方法通过双路径Mamba架构的设计，有效地融合了多尺度局部特征与全局特征，从而在多个数据集上取得了优异的修复效果。未来的研究可以进一步优化该方法的结构和参数，以适应更多样化的MRI数据和应用场景，为医学影像处理领域带来更大的价值。