MambaMorph:基于对比特征学习的 Deformable MR-CT Registration 备人脊柱骨干
VMambaMorph 是一种基于 VMamba 和 CNN 的网络,专门为 3D 图像配准设计,利用公共基准脑 MR-CT 配准数据集验证了其与当前最先进方法的竞争性配准质量。
Apr, 2024
VoxelMorph 是一个快速的用于变形匹配的学习框架,可加速医学图像分析和处理管道,我们探索了两种不同的训练策略并演示了其准确性和速度优势。
Sep, 2018
提出了一种名为 XMorpher 的转换网络用于医学图像变形注册任务,在该网络中,引入了全新的 Transformer 模块和注意力机制,能够逐渐提取各自的特征和发现语义对应关系,从而实现有效的变形注册。
Jun, 2022
提出了一种基于 FusionMamba 的动态特征增强方法,用于多模式图像融合,具有与 Mamba 相同的性能和全局建模能力,同时降低通道冗余并增强本地增强能力。证明了该模型在各种多模式医学图像融合任务(CT-MRI、PET-MRI、SPECT-MRI)、红外和可见图像融合任务(IR-VIS)以及多模式生物医学图像融合数据集(GFP-PC)中具有泛化能力。
Apr, 2024
本研究介绍了 MambaMIR 模型及其基于生成对抗网络的变体 MambaMIR-GAN,利用 Mamba 模型的优势,如线性复杂度、全局感受野和动态权重,通过创新的任意掩码机制使 Mamba 适应图像重建任务,并提供蒙特卡洛法的不确定性估计。实验证明 MambaMIR 和 MambaMIR-GAN 在多个医学图像重建任务中(包括快速 MRI 和 SVCT)取得了与当今最先进方法相媲美甚至更好的重建结果,并提供可靠性的重建质量的估计不确定性图。
Feb, 2024
本研究旨在使用潜在扩散模型(Latent Diffusion Model)对 CT 进行 MRI 转换,并将常用的 U-Net 或 Transformer 骨干换成一种名为 Mamba 的状态空间模型。实验证明 DiffMa 在医学图像生成任务中表现出令人印象深刻的性能,并在输入缩放效率方面具有明显优势。
Jun, 2024
Medical image classification using Vision Mamba, a novel Conv-SSM module that combines convolutional layers with state space model, demonstrates promising results in detecting lesions, establishing a new baseline for the field.
Mar, 2024
提出了一种基于 Mamba 的双相融合模型 (MambaDFuse),用于解决现有方法在多模态图像融合任务中提取特征和融合特征的效率问题,通过设计双级特征提取器和双相特征融合模块,实现了具有良好融合结果的图像重建,并在红外 - 可见光图像融合和医学图像融合等任务中取得了显著的性能提升。
Apr, 2024
我们提出了一种基于关键点的通用脑 MRI 配准基础模型,称为 BrainMorph,它支持多模态、成对和可扩展的团体配准,该模型在大规模的数据集上进行训练并展示了出色的配准准确性和速度。
May, 2024
本文研究通过对改进的 Mamba 与门控机制在隐藏状态空间中关联交叉模态特征,设计了一个融合 Mamba 块(FMB)来将交叉模态特征映射到隐藏状态空间进行交互,从而降低交叉模态特征的差异性并增强融合特征的表征一致性;通过在公共数据集上进行大量实验证明,我们提出的方法在 $m$AP 上超过了 5.9%的 $M^3FD$ 和 4.9%的 FLIR-Aligned 数据集,展现出卓越的目标检测性能。据我们所知,本文首次探索了 Mamba 在跨模态融合中的潜力,并为跨模态目标检测建立了一个新的基线。
Apr, 2024