Feb, 2024

P-Mamba：将 Perona Malik 扩散与 Mamba 相结合，实现高效儿童超声心动图左心室分割

PDF
TL;DR在小儿心脏病学中，通过超声心动图对心脏功能进行准确和即时的评估非常重要，可以确定在许多紧急情况下是否需要紧急干预。为了解决分割准确性的困境以及背景噪声干扰的问题，我们提出了 P-Mamba，用于有效的儿童超声心动图左心室分割。利用视觉 mamba 编码器分支中提出的视觉 mamba 层来改善模型的计算和内存效率，同时建模全局依赖。在基于 DWT 的 PMD 编码器分支中，我们设计了基于离散小波变换和 Perona-Malik 扩散的 PMD 块，利用 PMD 抑制噪声同时保存左心室的局部形状线索。结合两个编码器分支的优势，P-Mamba 达到了超越已有模型（如具有二次和线性计算复杂度的视觉变换器模型）的准确性和效率，这种创新方法为小儿心脏成像等领域带来了重大进展。
pediatric cardiologyechocardiographysegmentationleft ventricularp-mamba
发现论文，激发创造
  • VM-DDPM：医学图像合成的视觉曼巴扩散

    基于 SMM-CNN 混合结构的 Vision Mamba DDPM（VM-DDPM）用于医学图像合成，通过多级状态空间块（MSSBlock）、状态空间层（SSLayer）和交叉扫描模块（CSM）等方法，在三个不同规模的数据集上取得最先进的性能。

    May, 2024

  • HC-Mamba：基于混合卷积技术的医学图像分割中的视觉 MAMBA

    基于现代状态空间模型 Mamba, HC-Mamba 是一种新的医学图像分割模型，通过引入扩张卷积技术和深度可分离卷积技术，能够在较低的计算成本下处理大规模医学图像数据，并表现出竞争性的性能。

    May, 2024

  • Mamba-UNet: 医学图像分割的纯视觉 Mamba

    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。

    Feb, 2024

  • 使用开放大规模数据集的深度学习在二维超声心动图中的分割

    本论文介绍了一个新的用于心脏超声检测的数据集 CAMUS，并评估了使用深度卷积神经网络方法自动分割心脏结构以及估计临床指标的效果，结果表明此方法优于传统非深度学习方法，但仍需改进，可用于 2D 心脏超声图像准确且自动化的分析。

    Aug, 2019

  • 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

  • MedMamba：针对医学图像分类的视觉蛇

    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

  • UltraLight VM-UNet：并行视觉曼巴大幅减少皮肤病变分割参数

    提出了一种基于 UltraLight Vision Mamba UNet 的 PVM 层的方法，通过在处理特征时达到卓越的性能，保持了总体处理通道数的稳定，用较低的计算负载实现了强大的性能竞争力。

    Mar, 2024

  • CT 到 MRI 转换的软遮罩曼巴扩散模型

    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

  • 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