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
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
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
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
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
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
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
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
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
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
该研究设计了一种基于状态空间模型的高阶视觉 Mamba UNet (H-vmunet) 用于医学图像分割,其中提出的高阶 2D 选择性扫描 (H-SS2D) 模块通过更高阶的交互逐渐减少冗余信息的引入,提高了 2D 选择性扫描操作的适应性,并且所提出的局部 SS2D 模块改进了每个交互阶段中局部特征的学习能力。通过对三个公开可用的医学图像数据集(ISIC2017、Spleen 和 CVC-ClinicDB)进行对比和消融实验,研究结果显示了 H-vmunet 在医学图像分割任务中的强大竞争力。
Mar, 2024