空间 - 通道 Mamba 驱动的多尺度专家混合:面向 X 空间磁粒子成像的 Y 形重建模型
《Pattern Recognition》:Spatial-Channel Mamba-Driven Multi-Scale Mixture of Experts: A Y-Shaped reconstruction model for X-space magnetic particle imaging
【字体:
大
中
小
】
时间:2026年08月27日
来源:Pattern Recognition 9.1
编辑推荐:
•提出一种 Y 形 X 空间磁粒子成像重建模型。
•设计一种空间 - 通道 Mamba 驱动的多尺度专家混合结构。
•实现鲁棒重建,有效恢复形状并抑制伪影。
•促进 MPI 在临床前生物医学成像场景中的应用。
引言
磁粒子成像(MPI)是一种新兴的成像模态,能够以高灵敏度和
•提出一种 Y 形 X 空间磁粒子成像重建模型。
•设计一种空间 - 通道 Mamba 驱动的多尺度专家混合结构。
•实现鲁棒重建,有效恢复形状并抑制伪影。
•促进 MPI 在临床前生物医学成像场景中的应用。
引言
磁粒子成像(MPI)是一种新兴的成像模态,能够以高灵敏度和快速时间分辨率实现体内磁性纳米颗粒(MNP)分布的可视化 [1], [2]。凭借这些优势,MPI 已被广泛应用于干细胞追踪 [3]、肺灌注成像 [4]、癌症成像 [5] 和炎症监测 [6] 等生物医学应用,以及其他领域 [7]。
MPI 中存在两种主要的重建范式:基于系统矩阵(SM)的方法 [8] 和 X 空间重建 [9]。基于 SM 的方法能够实现高质量成像,但当示踪剂特性或系统条件发生变化时,其校准过程昂贵且重复 [10], [11]。相比之下,X 空间方法因其能够实现快速直接重建而引起了广泛关注 [12], [13]。然而,它依赖于简化的物理假设,并且由于模型失配和对噪声的敏感性,往往容易产生伪影、模糊和细节丢失,从而限制了其在复杂成像场景或低信噪比条件下实现高保真重建的能力 [14]。
近期的研究探索了基于解卷积的技术和深度学习方法,以改善 MPI 图像重建质量。经典的基于解卷积的方法在相对有利的噪声条件下可以有效增强图像锐度;然而,在低信噪比(SNR)场景下,其性能往往下降,此时噪声放大和模型失配可能变得更加明显 [15], [16]。同时,近期的基于深度学习的方法在 MPI 重建及相关逆问题中展示了令人前景的结果。尽管如此,许多现有方法主要围绕单域特征提取设计,这可能无法完全捕捉空间结构信息与异质磁性纳米颗粒(MNP)分布之间复杂的相互作用。因此,在挑战性成像条件下同时保持结构连续性和准确的信号表示仍然是持续进行的研究焦点 [17], [18]。
为了克服上述局限性,本文提出了一种 Y 形 X 空间重建框架,用于高保真磁粒子成像(MPI)。该框架建立在空间 - 通道解耦基础之上,以鲁棒地抑制噪声、系统非理想性和模型失配,整合了空间 - 通道 Mamba 骨干网络和 MS-MoE 模块。前者在非理想成像条件下捕获跨维度长程和多尺度特征,以实现稳定的结构表示,而后者则实现了自适应多尺度特征融合。配合上述设计,级联密集解卷积分支进一步消除了重建伪影并恢复了精细的解剖细节,从而实现高质量的 MPI 重建。主要贡献列于下方:
(1) 一种物理引导的 Y 形 MPI 重建框架,结合抗误差特征学习和解卷积式重建,具有更强的噪声和模型偏差鲁棒性。
(2) 一种解耦的空间 - 通道 Mamba 模块,支持空间和跨通道长程相关性的线性复杂度建模。
(3) 一种自适应多尺度重建方案,利用 MoE 特征聚合和密集转置卷积解码进行伪影去除和结构恢复。
章节片段
解卷积与盲图像去模糊
在 X 空间 MPI 重建中,原生图像可视为磁性纳米颗粒浓度分布与系统点扩散函数(PSF)之间的卷积。因此,人们探索了解卷积策略以提高空间分辨率并减少模糊伪影。之前的 MPI 研究采用了基于 PSF 的解卷积或基于逆拉东变换的重建来增强 X 空间图像质量 [15], [16]。尽管具有物理可解释性,但这些
X 空间重建理论
MPI 中的诱导电压信号 s(t) 可以表示为 [9]:s(t)=σs(r)dΦdt,=σs(r)mc(r)?L?[kGr]|r=rs(t)kG?s(t).。其中 σs(r) 是接收线圈的灵敏度分布,Φ 代表与接收线圈连接的磁通量,m 表示纳米颗粒的磁矩,c(r) 是空间纳米颗粒浓度,G 是选择场梯度,?s(t) 是无场点(FFP)的瞬时位置,L?(?) 是朗之万函数的导数,其
数据集
我们采用了两类数据源:模拟 MPI 数据集和真实体模数据集。首先,从 IEEE Dataport 获得了 51 × 51 分辨率的 2D 参考图像(代表 MNP 空间分布)作为真值 [13]。使用 [13] 中的参数,通过 MATLAB(MathWorks, Natick, MA, USA)中的 X 空间方法生成模拟 MPI 图像,MNP 磁化响应由朗之万模型建模以确保物理一致性。为了模拟实际条件,真实噪声
多形状实验结果
图 3 展示了重建的 MPI 图像及其对应的误差颜色图,表 1 提供了峰值信噪比(PSNR)、均方根误差(RMSE)和结构相似性指数(SSIM)的定量比较。从视觉角度来看,传统的迭代方法在解析精细结构方面存在明显局限性:露西 - 理查森生成了带有严重伪影的破碎形态,而盲解卷积受到
讨论
在本研究中,我们提出了一种具有 Y 形架构的空间 - 通道 Mamba 驱动的多尺度专家混合模型,用于 X 空间重建。具体而言,空间 Mamba(SM)分支结合了卷积、线性投影和空间 SSM,以捕获长程空间依赖关系,同时通过辅助轻量级路径保留局部响应。并行地,通道 Mamba(CM)分支采用全局平均池化提取通道统计信息,随后进行线性
结论
总之,我们提出了一种具有 Y 形架构的空间 - 通道 Mamba 驱动的多尺度专家混合模型,用于 X 空间重建,该模型有效地平衡了 MPI 图像中的去模糊、结构保持和信号保真度。我们通过模拟和实验分析验证了所提出模型的有效性。事实证明,Y 形重建模型优于现有方法,并且在不同条件下具有鲁棒性。这项研究
CRediT 作者贡献声明
Jintao Li:撰写 – 初稿。Lizhi Zhang:方法论。Jianxin Shi:可视化。Lin Yin:验证。Shuaishuai He:调查。Shuangchen Li:软件。Zijian Tang:调查。Xiaowei He:资金获取。Yuqing Hou:撰写 – 审阅与编辑。Hongbo Guo:撰写 – 审阅与编辑。
利益冲突声明
作者声明,他们没有已知的竞争性经济利益或个人关系可能会影响本文报告的工作。
致谢
本研究由国家自然科学基金资助(项目编号 12271434, 62271394, 62201459 和 62201570),陕西省自然科学基金基础研究计划(项目编号 2023-JC-JQ-57),陕西省科技新星(项目编号 2023KJXX-035),以及西安市科技项目(项目编号 201805060ZD11CG44)。人工智能在“科学家 + 工程师”教育团队中赋能,项目编号
Jintao Li|Lizhi Zhang|Jianxin Shi|Lin Yin|Shuaishuai He|Shuangchen Li|Zijian Tang|Xiaowei He|Yuqing Hou|Hongbo Guo
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号