Apr, 2024

ViM-UNet：用于生物医学分割的视觉玛巴

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • H-vmunet: 高阶视觉 Mamba UNet 用于医学图像分割

    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

  • 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

  • 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

  • xLSTM-UNet 可作为一个有效的 2D 和 3D 医学图像分割骨干，其 Vision-LSTM (ViL) 相较于其 Mamba 对应物更佳

    提出了 xLSTM-UNet，这是一种基于 Convolutional Neural Networks 和 Vision Transformers 的深度学习神经网络，用于解决生物医学图像分割中的长距离依赖性问题，并通过实验证实了其在多个数据集中超越了其他基于 CNN、Transformer 和 Mamba 的分割网络，表明了 xLSTM-UNet 在 2D 和 3D 生物医学图像分析中的潜力。

    Jul, 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