Mar, 2024

H-vmunet: 高阶视觉 Mamba UNet 用于医学图像分割

PDF
TL;DR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。
medical image segmentationconvolutional neural networksvisual transformersstate-space models2d-selective-scan
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 将 Mamba 序列模型与层次化上采样网络整合，用于准确地多发性硬化病灶语义分割

    提出了一种新的架构 Mamba HUNet，该架构结合了卷积神经网络的局部特征提取能力和状态空间模型的长程依赖建模能力，通过将输入灰度图像分割为补丁并转换为 1D 序列，提取层次特征并保留空间信息，实验结果表明 Mamba HUNet 在医学图像分割任务中具有良好的效果，特别是在多发性硬化症损伤分割方面表现出强大的鲁棒性和灵活性，对改善临床决策过程具有潜在的推动作用。

    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

  • 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

  • MHS-VM：多头并行子空间扫描用于视觉玛巴

    提出了一种基于 State Space Models 的 Multi-Head Scan (MHS) 模块，通过 1D selective scan 在 2D 图像空间内构建视觉特征，结合了 Scan Route Attention (SRA) 机制来提高模块的复杂结构辨识能力，并在实验证明了该方法在性能上的显著改善与参数减少。

    Jun, 2024