多对比 MRI 加速在 MR 成像中已变得普遍，能够使用完全采样辅助模态的指导，从目标模态的欠采样 k 空间数据重建高质量 MR 图像。主要关键在于高效、全面地整合辅助模态的补充信息。现有方法要么面临二次计算复杂性，要​​么无法全面捕获远程相关特征。在这项工作中，我们提出了 MMR-Mamba，这是一种新颖的框架，通过 Mamba 和空间频率信息融合实现多对比度特征的全面集成。首先，我们在空间域设计了\textit{Target modality-guided Cross Mamba}（TCM）模块，该模块通过选择性地从辅助模态中吸收有用信息来最大限度地恢复目标模态信息。其次，利用傅里叶域的全局特性，我们引入了\textit{选择性频率融合}（SFF）模块来有效地集成频域中的全局信息并恢复高频信号以重建结构细节。此外，我们提出了 \textit{自适应空间频率融合} (ASFF) 模块，该模块通过用来自另一个域的相应特征补充来自一个域的信息量较少的特征来增强融合特征。这些创新策略确保跨空间和频率域的高效特征融合，避免引入冗余信息并促进高质量目标图像的重建。对 BraTS 和 fastMRI 膝盖数据集的大量实验证明了所提出的 MMR-Mamba 相对于最先进的 MRI 重建方法的优越性。



"点击查看英文标题和摘要"