Feb, 2024

Mamba-UNet: 医学图像分割的纯视觉 Mamba

PDF
TL;DR我们提出了一种名为 Mamba-UNet 的创新架构，该架构将 U-Net 在医学图像分割中的能力与 Mamba 的能力相结合，通过纯粹的 Visual Mamba（VMamba）编码器 - 解码器结构和跳跃连接来捕捉医学图像中的细节和上下文，并显著优于具有相同超参数设置的 UNet 和 Swin-UNet。
medical image analysisconvolutional neural networksvision transformersmamba-unetmedical image segmentation
发现论文，激发创造
  • VM-UNet: 医学图像分割的视觉蛇视 UNet

    本研究提出了一种基于状态空间模型的医学图像分割模型 Vision Mamba UNet (VM-UNet)，通过引入 Visual State Space (VSS) 块以捕获广泛的上下文信息，并构建了一个不对称的编码器 - 解码器结构。实验结果表明，VM-UNet 在医学图像分割任务中具有竞争力。此外，该模型是首个基于纯 SSM 模型构建的医学图像分割模型，旨在为未来开发更高效、更有效的 SSM 分割系统奠定基础并提供有价值的见解。

    Feb, 2024

  • VM-UNET-V2 在医学图像分割中重新思考 Vision Mamba UNet

    在医学图像分割领域，CNN 和 Transformer 基于模型已经进行了深入研究。然而，CNN 对长距离依赖的建模能力有限，使得充分利用图像内的语义信息变得具有挑战性。另一方面，Transformer 的二次计算复杂性提出了挑战。最近，基于状态空间模型（SSMs）的方法，如 Mamba，被认为是一种有希望的方法。它们不仅在建模长程交互方面表现出卓越性能，而且保持了线性计算复杂性。受到 Mamba 架构的启发，我们提出了 Vision Mamba-UNetV2，引入了 Visual State Space（VSS）块来捕捉广泛的上下文信息，引入 Semantics and Detail Infusion（SDI）来增强低级和高级特征的融合。我们在 ISIC17、ISIC18、CVC-300、CVC-ClinicDB、Kvasir、CVC-ColonDB 和 ETIS-LaribPolypDB 等公共数据集上进行了全面的实验。结果表明，VM-UNetV2 在医学图像分割任务中表现出竞争力。我们的代码可在此网址获得

    Mar, 2024

  • 弱猕猴蛇 UNet：可视化猕猴蛇使 CNN 和 ViT 在基于草图的医学图像分割中更加出色

    介绍了一种创新的弱监督学习框架，利用卷积神经网络（CNN）、视觉 Transformer（ViT）和最新的 Visual Mamba（VMamba）架构进行医学图像分割，特别是处理基于涂鸦注释。

    Feb, 2024

  • 半 Mamba-UNet：基于像素层面对比交叉监督的半监督医学图像分割中基于 Mamba 的 UNet

    利用 Semi-Mamba-UNet 结合了可视 mamba-based UNet 架构和常规 UNet，采用半监督学习（SSL）框架来解决医学影像分割中的长程依赖和专家标注问题，并通过自监督像素级对比学习策略提升特征学习性能。

    Feb, 2024

  • 轻量级 UNet 中的 Mamba 辅助医学图像分割

    LightM-UNet integrates Mamba and UNet in a lightweight framework, achieving superior segmentation performance while drastically reducing parameter and computation costs, making it suitable for mobile health applications.

    Mar, 2024

  • Swin-UMamba：基于 Mamba 的 UNet 模型及基于 ImageNet 的预训练

    提出了一种新颖的基于 Mamba 的模型，Swin-UMamba，专门针对医学图像分割任务，利用了基于 ImageNet 的预训练的优势。实验结果表明，ImageNet 的训练对于提高基于 Mamba 的模型性能起到了重要作用。与 CNNs、ViTs 和最新的基于 Mamba 的模型相比，Swin-UMamba 在 AbdomenMRI、Encoscopy 和 Microscopy 数据集上的表现优异，平均得分比最接近的对应模型 U-Mamba 高出 3.58%。

    Feb, 2024

  • ViM-UNet：用于生物医学分割的视觉玛巴

    基于 Vision Mamba 架构的 ViM-UNet 是一种新颖的分割架构，与 UNet 和 UNETR 相比，在两个具有挑战性的显微镜实例分割任务中表现相似或更好，同时更加高效。

    Apr, 2024

  • 基于大窗口的 Mamba UNet 用于医学影像分割：超越卷积和自注意力

    通过利用大窗口进行局部的空间建模，同时保持超强的全局建模效果，在医学图像分割领域提出了基于大窗口的 Mamba U 形网络 (LMa-UNet)，通过设计新颖的分层双向 Mamba 块进一步增强了全局和邻域空间建模能力，全面实验验证了方法的有效性和高效性，并证明了使用大窗口大小实现大感受野的可行性。

    Mar, 2024

  • 旋转扫描：医学图像分割的三元 SSM 模块与类 UNet Mamba

    通过使用残差 VSS 模块进行深度上下文特征提取，以及使用 Triplet SSM 在空间和通道维度上融合特征，我们的 TM-UNet 在多个数据集上展示了卓越的分割性能，并且相较于之前的 VM-UNet 减少了三分之一的参数。

    Mar, 2024

  • U-Mamba: 提高生物医学图像分割的长程依赖性

    基于深度序列模型的 U-Mamba 是一种适用于医学图像分割的通用网络，通过融合卷积层的局部特征提取能力与序列模型的长距离依赖捕捉能力，能够自适应不同数据集并在各种任务中取得优于当前基于 CNN 和 Transformer 的分割网络的结果，为医学图像分析中高效建模长距离依赖开辟了新的途径。

    Jan, 2024