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
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
通过融合状态空间模型(SSM)和高级分层网络(AHNet),提出了一种针对医学成像中语义分割任务的 Mamba-Ahnet 方法,通过图像分割和特征理解来提高分割的准确性和鲁棒性。通过分解图像为小块并通过自我注意机制来优化特征理解,该方法显著提高了特征分辨率。Mamba-Ahnet 进一步通过选择性地放大信息区域和学习富有层次结构的特征来增强分割性能。在通用病变分割数据集上的评估结果表明,与先进技术相比,我们的方法表现出更高的性能,其中 Dice 相似系数约为 98%,交并比约为 83%。我们的方法有望提高诊断准确性、治疗规划的精度以及患者的治疗效果,并代表医学成像技术的重要进展。
Apr, 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
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
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
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
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
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
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