MambaDepth: 提升自监督细结构单目深度估计的长距离依赖性
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
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
应用 Mamba 到多类无监督异常检测,提出了包含预训练编码器和 Mamba 解码器的 MambaAD,通过在多个尺度上引入局部增强状态空间模块 (LSS),该方法在六个不同的异常检测数据集上展示了具有 SoTA 性能的结果,证实了其有效性。
Apr, 2024
通过将 State Space Sequence Models (SSMs) 整合到卷积残差块中,nnMamba 架构能够提取局部特征并建模复杂的依赖关系,从而在医学图像分析的一系列挑战性任务中展现出卓越的性能。
Feb, 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
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
T-Mamba 是第一个将基于频率特征与视觉 mamba 相结合的方法,在处理牙齿三维成像中的分割问题上取得了最佳结果。
Apr, 2024
SegMamba 是一种新颖的 3D 医学图像分割模型,通过有效地捕捉各个尺度上的全体积特征的远程依赖性,从状态空间模型的角度在全体积特征建模方面胜过基于 Transformer 的方法,保持出色的处理速度,即使是具有 {$64 imes 64 imes 64$} 分辨率的体积特征。在 BraTS2023 数据集上的综合实验证明了 SegMamba 的有效性和高效性。
Jan, 2024
本文提出了基于 Vision Mamba (VMamba) 的框架,用于对混凝土、沥青和砖石表面进行高准确度、广义化和较低计算复杂度的裂缝分割,相较于基于 CNN 的模型,使用 VMamba 的编码器 - 解码器网络能获得高达 2.8% 的更高的 mDS 且与基于 Transformer 的模型表现相当,在处理高分辨率图像输入时,VMamba-based 编码器 - 解码器网络能够降低高达 90.6% 的浮点操作。
Jun, 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