論文の概要: SO-Mamba: State-Ownership Mamba for Unrolled MRI Reconstruction

• arxiv url: http://arxiv.org/abs/2605.22031v1
• Date: Thu, 21 May 2026 06:00:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.11238
• Title: SO-Mamba: State-Ownership Mamba for Unrolled MRI Reconstruction
• Title（参考訳）: SO-Mamba: 当院におけるMRI再建術の成績
• Authors: Pengcheng Fang, Hongli Chen, Fangfang Tang, Feng Liu, Xiaohao Cai, Shanshan Shan,
• Abstract要約: SO-Mambaは国家所有のMambaレギュレータであり、各Mambaステージ内の復元証拠を、常駐、状態インターフェースアクセス、および非状態出力補正に割り当てる。 実験の結果,SO-Mamba は CNN-, Transformer-, Mamba ベースのベースラインを競合計算効率で一貫的に改善することがわかった。
• 参考スコア（独自算出の注目度）: 5.184343938084102
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accelerated MRI reconstruction requires recovering missing details while preserving anatomically coherent structures across large spatial regions. State-space models such as Mamba provide efficient long-range modeling, making them attractive learned regularizers for unrolled reconstruction. However, in a data-consistency-coupled unrolled solver, different stages operate on different reconstruction iterates, where the resident carrier should preserve coherent reconstruction content across stages while stage-dependent non-resident evidence is tied to the current update. Treating these roles uniformly can place persistent resident-carrier evidence and update-dependent non-resident evidence into the same recurrent content route. We therefore propose SO-Mamba, a state-ownership Mamba regularizer that assigns reconstruction evidence within each Mamba stage to recurrent residency, state-interface access, and non-state output correction. SO-Mamba implements this ownership rule with a State-Ownership Router (SOR), which constructs a resident carrier for recurrent content and routes non-resident evidence to affine modulation of the B/C state interfaces and an output correction outlet. The resident carrier supplies the Mamba content route, while the non-resident evidence stream adapts the state interfaces and contributes through the output outlet without entering the recurrent content route. We further introduce a two-level outer-band leakage diagnostic that separates hidden-state storage from readout expression by measuring outer-band energy in the selective-scan state trajectory and the post-scan Mamba readout. Experiments on five public MRI reconstruction benchmarks spanning diverse anatomies, sampling patterns, and coil configurations show that SO-Mamba consistently improves over CNN-, Transformer-, and Mamba-based baselines with competitive computational efficiency.
• Abstract（参考訳）: 加速MRI再建は、大きな空間領域にわたって解剖学的に一貫性のある構造を保ちながら、欠落した詳細を回復する必要がある。 Mambaのような状態空間モデルは効率的な長距離モデリングを提供し、非ロール化再構成のための魅力的な学習された正規化器を提供する。 しかし、データ一貫性を結合したアンロール解法では、異なるステージが異なる再構成イテレートで動作し、ステージに依存しない非レジデント証拠が現在の更新に結びついている間に、常駐キャリアは各ステージにわたってコヒーレントな再構成コンテンツを保存すべきである。 これらの役割を均一に扱うことは、常駐キャリアの証拠と更新依存の非居住者の証拠を同じコンテンツルートに配置することができる。 そこで我々は,各マンバステージ内の復元証拠を,常駐状態,対面アクセス,非状態出力補正に割り当てる状態所有型マンバ正規化器であるSO-マンバを提案する。 SO-MambaはこのオーナシップルールをState-Ownership Router (SOR)で実装し、リカレントコンテンツのための常駐キャリアを構築し、非常駐エビデンスをB/C状態インタフェースと出力補正出口のアフィン調整にルーティングする。 常駐キャリアは、マンバコンテンツ経路を供給し、非常駐エビデンスストリームは、状態インターフェースに適応し、リカレントコンテンツ経路に入ることなく、出力出口を介して貢献する。 さらに、選択的スキャン状態軌跡とポストスキャンマンバ読み出しにおける外バンドエネルギーを測定することにより、隠れ状態記憶と読み出し表現を分離する2レベル外バンドリーク診断を導入する。 様々な解剖学、サンプリングパターン、コイル構成にまたがる5つの公開MRI再構成ベンチマークの実験では、SO-MambaはCNN-、Transformer-、Mambaベースのベースラインを競争力のある計算効率で一貫して改善している。

関連論文リスト

• Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
  MRI再建は本質的に不完全な逆問題である。 この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。 提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
  論文  参考訳（メタデータ） (2026-05-19T04:40:50Z)
• MambaX-Net: Dual-Input Mamba-Enhanced Cross-Attention Network for Longitudinal MRI Segmentation [0.9342663938194833]
  MambaX-Netは、新しい半教師付きデュアルスキャン3Dセグメンテーションアーキテクチャである。 前の時点からMRIと対応するセグメンテーションマスクを利用して、時間点tのセグメンテーションを算出する。 MambaX-Netは縦方向のASデータセットで評価され、その結果、最先端のU-NetやTransformerベースのモデルよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-10-20T13:32:42Z)
• Trained Mamba Emulates Online Gradient Descent in In-Context Linear Regression [90.93281146423378]
  Mambaは、Long-Sequence Modelingのための線形複雑性を持つ効率的なTransformer代替品である。 最近の実証研究は、Mambaのテキスト内学習(ICL)がTransformersと競合していることを示している。 本稿では,線形回帰 ICL タスクにおける Mamba のトレーニングダイナミクスについて検討する。
  論文  参考訳（メタデータ） (2025-09-28T09:48:49Z)
• Physics-Driven Autoregressive State Space Models for Medical Image Reconstruction [5.208643222679356]
  本研究では,高忠実かつ効率的な画像再構成のための物理駆動自己回帰状態空間モデル(SSM)であるMambaRollを提案する。 MambaRollは、各カスケードが粗いスケールの表現でより微細な特徴マップを自動回帰予測するアンロールアーキテクチャを採用している。 MambaRoll は最新 CNN 法, Transformer- 法, SSM 法を常に上回っている。
  論文  参考訳（メタデータ） (2024-12-12T14:59:56Z)
• A Comprehensive Survey of Mamba Architectures for Medical Image Analysis: Classification, Segmentation, Restoration and Beyond [7.798399360078701]
  Mambaは、医用画像分析におけるテンプレートベースのディープラーニングアプローチに代わるものだ。 線形時間の複雑さがあり、トランスよりも大幅に改善されている。 Mambaは、注意機構のない長いシーケンスを処理し、高速な推論を可能にし、メモリを少なくする。
  論文  参考訳（メタデータ） (2024-10-03T10:23:03Z)
• SIGMA: Selective Gated Mamba for Sequential Recommendation [56.85338055215429]
  最近の進歩であるMambaは、時系列予測において例外的なパフォーマンスを示した。 SIGMA(Selective Gated Mamba)と呼ばれる,シークエンシャルレコメンデーションのための新しいフレームワークを紹介する。 以上の結果から,SIGMAは5つの実世界のデータセットにおいて,現在のモデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-08-21T09:12:59Z)
• An Investigation of Incorporating Mamba for Speech Enhancement [64.59903328820624]
  本研究の目的は、最近提案された、注意のないスケーラブルな状態空間モデル(SSM)であるMambaを用いて、音声強調(SE)タスクを実現することである。 私たちはMambaを使って,基本,先進,因果,非因果といった,さまざまな構成のレグレッションベースのSEモデル(SEMamba)をデプロイしています。 SEMambaはVoiceBank-DEMANDデータセットで3.55のPESQを獲得し、高度な非因果構成を持つ。
  論文  参考訳（メタデータ） (2024-05-10T16:18:49Z)
• MambaIR: A Simple Baseline for Image Restoration with State-Space Model [46.827053426281715]
  我々は,バニラ・マンバを改善するために,局部増強とチャンネルアテンションを導入するMambaIRを紹介した。 本手法は,画像SR上でSwinIRを最大0.45dB向上させる。
  論文  参考訳（メタデータ） (2024-02-23T23:15:54Z)

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。