論文の概要: Efficient Vision Mamba for MRI Super-Resolution via Hybrid Selective Scanning

• arxiv url: http://arxiv.org/abs/2512.19676v2
• Date: Thu, 25 Dec 2025 22:41:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-29 13:23:29.80349
• Title: Efficient Vision Mamba for MRI Super-Resolution via Hybrid Selective Scanning
• Title（参考訳）: ハイブリッド走査によるMRI超解像のための高能率視覚マンバ
• Authors: Mojtaba Safari, Shansong Wang, Vanessa L Wildman, Mingzhe Hu, Zach Eidex, Chih-Wei Chang, Erik H Middlebrooks, Richard L. J Qiu, Pretesh Patel, Ashesh B. Jani, Hui Mao, Zhen Tian, Xiaofeng Yang,
• Abstract要約: 超解像MRIはスキャン後の解像度を高めることができるが、深層学習法はトレードオフに直面している。 本稿では,マルチヘッド選択状態空間モデルと軽量チャネルを組み合わせた新しいフレームワークを提案する。 モデルは例外的な効率で優れた性能を実現した。
• 参考スコア（独自算出の注目度）: 5.1712742264130815
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: High-resolution MRI is critical for diagnosis, but long acquisition times limit clinical use. Super-resolution (SR) can enhance resolution post-scan, yet existing deep learning methods face fidelity-efficiency trade-offs. Purpose: To develop a computationally efficient and accurate deep learning framework for MRI SR that preserves anatomical detail for clinical integration. Materials and Methods: We propose a novel SR framework combining multi-head selective state-space models (MHSSM) with a lightweight channel MLP. The model uses 2D patch extraction with hybrid scanning to capture long-range dependencies. Each MambaFormer block integrates MHSSM, depthwise convolutions, and gated channel mixing. Evaluation used 7T brain T1 MP2RAGE maps (n=142) and 1.5T prostate T2w MRI (n=334). Comparisons included Bicubic interpolation, GANs (CycleGAN, Pix2pix, SPSR), transformers (SwinIR), Mamba (MambaIR), and diffusion models (I2SB, Res-SRDiff). Results: Our model achieved superior performance with exceptional efficiency. For 7T brain data: SSIM=0.951+-0.021, PSNR=26.90+-1.41 dB, LPIPS=0.076+-0.022, GMSD=0.083+-0.017, significantly outperforming all baselines (p<0.001). For prostate data: SSIM=0.770+-0.049, PSNR=27.15+-2.19 dB, LPIPS=0.190+-0.095, GMSD=0.087+-0.013. The framework used only 0.9M parameters and 57 GFLOPs, reducing parameters by 99.8% and computation by 97.5% versus Res-SRDiff, while outperforming SwinIR and MambaIR in accuracy and efficiency. Conclusion: The proposed framework provides an efficient, accurate MRI SR solution, delivering enhanced anatomical detail across datasets. Its low computational demand and state-of-the-art performance show strong potential for clinical translation.
• Abstract（参考訳）: 背景:高分解能MRIは診断に重要であるが,長期取得では臨床応用が制限される。 超解像(SR)は、スキャン後の解像度を高めることができるが、既存のディープラーニング手法では、忠実度効率のトレードオフに直面している。 目的:臨床統合のための解剖学的詳細を保存したMRI SRのための計算効率よく正確なディープラーニングフレームワークを開発すること。 Materials and Methods: マルチヘッド選択状態空間モデル(MHSSM)と軽量チャネルMLPを組み合わせた新しいSRフレームワークを提案する。 このモデルは2Dパッチ抽出とハイブリッドスキャンを使って長距離依存関係をキャプチャする。 各MambaFormerブロックは、MHSSM、奥行きの畳み込み、ゲートチャネルミキシングを統合する。 7T脳T1 MP2RAGEマップ(n=142)と1.5T前立腺MRI(n=334)を用いた。 比較対象は、バイコビック補間、GAN(CycleGAN, Pix2pix, SPSR)、トランスフォーマー(SwinIR)、Mamba(MambaIR)、拡散モデル(I2SB, Res-SRDiff)である。 結果: このモデルでは, 優れた性能と優れた効率が得られた。 7T脳データ: SSIM=0.951+-0.021, PSNR=26.90+-1.41dB, LPIPS=0.076+-0.022, GMSD=0.083+-0.017。 前立腺データ: SSIM=0.770+-0.049, PSNR=27.15+-2.19 dB, LPIPS=0.190+-0.095, GMSD=0.087+-0.013 このフレームワークは0.9Mパラメータと57GFLOPしか使用せず、パラメータを99.8%削減し、Res-SRDiffに対して97.5%削減した。 結論:提案されたフレームワークは、効率的で正確なMRI SRソリューションを提供し、データセット全体にわたって解剖学的詳細を向上する。 その低い計算需要と最先端の性能は、臨床翻訳の可能性を強く示している。

関連論文リスト

• Squeezed-Eff-Net: Edge-Computed Boost of Tomography Based Brain Tumor Classification leveraging Hybrid Neural Network Architecture [0.7829352305480285]
  本研究では,軽量モデルであるSqueezeNet v1と高性能モデルであるEfficientNet-B0に基づくハイブリッドディープラーニングモデルを提案する。 このフレームワークは、Nickparvar Brain tumor MRIデータセットでのみトレーニングされ、テストされた。
  論文  参考訳（メタデータ） (2025-12-08T07:37:30Z)
• MMRINet: Efficient Mamba-Based Segmentation with Dual-Path Refinement for Low-Resource MRI Analysis [2.6992900249585765]
  MMRINetは、二次複雑度注意を線形複雑度Mamba状態空間モデルに置き換える軽量アーキテクチャである。 on the BraTS-Lighthouse SSA 2025, our model to strong volumetric performance with a average Dice score (0.752) and a average HD95 of (12.23) with only 2.5M parameters。
  論文  参考訳（メタデータ） (2025-11-15T12:57:25Z)
• Pattern-Aware Diffusion Synthesis of fMRI/dMRI with Tissue and Microstructural Refinement [34.55493442995441]
  パターン認識型2次元モーダル3次元拡散フレームワークであるPSDを提案する。 また, 組織微細化ネットワークと高効率な組織微細化を一体化して, 組織微細化と微細化の維持を図っている。 PSNR/SSIMスコアはfMRI合成では29.83dB/90.84%、dMRI合成では30.00dB/77.55%である。
  論文  参考訳（メタデータ） (2025-11-07T03:51:00Z)
• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• Resource-Efficient Glioma Segmentation on Sub-Saharan MRI [4.522693679811991]
  本研究では,資源品質設定に適した,堅牢で効率的なディープラーニングフレームワークを提案する。 我々は,BraTS-Africaデータセット上のトレーニング済み重みから,残留ブロックを付加した3次元注意UNetアーキテクチャを活用し,転送学習により拡張した。 SSA MRIデータにおけるグリオーマセグメンテーションのベンチマークであるBraTS-Africaデータセットから95例のMRI症例について検討した。
  論文  参考訳（メタデータ） (2025-09-11T13:52:47Z)
• GBT-SAM: Adapting a Foundational Deep Learning Model for Generalizable Brain Tumor Segmentation via Efficient Integration of Multi-Parametric MRI Data [5.7802171590699984]
  GBT-SAMはパラメータ効率のよいディープラーニングフレームワークで,Segment Anything Modelをmp-MRIデータに適用する。 本モデルは,深度認識モジュールを組み込んだ2段階の微調整戦略により,スライス間相関を抽出する。 BraTSアダルトグリオーマデータセットで93.54のDiceスコアを達成し、メニンギオーマ、小児グリオーマ、サブサハラグリオーマデータセットで堅牢なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-03-06T11:18:22Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Unpaired MRI Super Resolution with Contrastive Learning [33.65350200042909]
  深層学習に基づく画像超解像法は、余分なコストなしでMRIの解像度を改善することを約束する。 整列性高分解能(HR)と低分解能(LR)のMRI画像ペアが欠如しているため、教師なしのアプローチはMRI画像によるSR再構成に広く採用されている。 我々は,限られたHRデータでSR性能を向上させるために,コントラスト学習を用いたMRI SRアプローチを提案する。
  論文  参考訳（メタデータ） (2023-10-24T12:13:51Z)
• Hybrid Window Attention Based Transformer Architecture for Brain Tumor Segmentation [28.650980942429726]
  細かな特徴を抽出するための2つのウィンドウ化戦略に従うボリューム視覚変換器を提案する。 FeTS Challenge 2022データセット上で,ネットワークアーキテクチャをトレーニングし,評価した。 オンライン検証データセットのパフォーマンスは以下の通りである。 Dice similarity Score of 81.71%, 91.38%, 85.40%。
  論文  参考訳（メタデータ） (2022-09-16T03:55:48Z)
• ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep learning [47.68307909984442]
  SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。 ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
  論文  参考訳（メタデータ） (2021-02-25T14:52:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。