Jun, 2024

Vision Mamba: 利用 3D MRI 扫描对阿尔茨海默病进行先进的分类

PDF
TL;DR使用 Vision Mamba 模型基于 State Space Models（SSMs）对 3D MRI 图像进行分类以检测阿尔茨海默病，该模型通过动态状态表示和选择性扫描算法，有效地捕获和保留 3D 体积中的重要空间信息，结合卷积运算的并行化特性和状态的高效循环处理，在计算效率和处理长距离依赖性方面表现优于传统的 CNN 和 Transformer 模型。
发现论文，激发创造
  • MedMamba：针对医学图像分类的视觉蛇

    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

  • 融合的卷积神经网络和长短期记忆模型用于从 MRI 扫描中改进阿尔茨海默病的诊断

    该研究旨在提出一种混合模型，将卷积神经网络模型的特征提取能力与长短期记忆模型的检测能力结合起来，通过应用转移学习中的 VGG16 从 MRI 图像中提取特征，并使用软最大函数对完全连接层的输出层进行分类，成功地检测出阿尔茨海默病，并取得了 98.8% 的准确率，100% 的敏感性和 76% 的特异性。该提出的混合模型在性能上超过了其 CNN 对手，展现出卓越的性能。

    Mar, 2024

  • 通过可解释的三维混合压缩卷积变换提升基于 MRI 的阿尔茨海默病分类

    通过将卷积神经网络（CNN）和视觉转换器（ViTs）相互结合，我们引入了一种新的端到端深度学习模型，3D Hybrid Compact Convolutional Transformers 3D（HCCT）。在突出阿尔茨海默病（AD）分类准确性方面，经过对知名的 AD 稳定数据集 ADNI 进行广泛评估，3D HCCT 表现出优异的性能，超越了现有的基于 CNN 和变换器的方法。其强大的泛化能力和可解释性在从 3D MRI 扫描进行 AD 分类方面具有重要意义，为改善患者护理和优越的临床结果提供了更准确可靠的诊断。

    Mar, 2024

  • 3D MRI 图像动态图像用于阿尔茨海默病分类

    本文介绍一种使用 2D CNN 架构对 3D MRI 图像进行阿尔茨海默病分类的方法，使用近似排名池化将 3D MRI 图像转换为 2D 图像进行分类，实验结果表明，相对基线 3D 模型，我们提出的 CNN 模型在阿尔茨海默病分类上获得了更好的准确度，并且训练时间仅需 3D CNN 模型的 20%。

    Nov, 2020

  • 基于注意力机制的高效分类方法用于阿尔茨海默病三维 MRI 图像

    通过使用深度学习和图像识别技术，本研究提出了一种基于卷积神经网络的新型阿尔茨海默病检测模型，该模型利用预训练的 ResNet 网络作为骨干，结合了 3D 医学图像的后融合算法和注意力机制，实验证明引入的 2D 融合算法有效降低了模型的训练开销，而注意力机制准确评估了图像中重要区域，进一步提高了模型的诊断准确性。

    Jan, 2024

  • 关于视觉曼巴的调查

    该研究综述了 Mamba 模型在计算机视觉领域的基本概念和优化方法，并介绍了它们在不同层次的视觉任务中的广泛应用，旨在引起学术界对当前挑战的关注并进一步应用 Mamba 模型于计算机视觉。

    Apr, 2024

  • 阿尔茨海默病的磁共振成像分类方法：基于深度学习和元学习模型

    通过使用深度学习技术，特别是基于最先进的卷积神经网络（CNNs），对磁共振成像（MRI）数据进行分类，以便识别阿尔茨海默病（AD），该研究报告了采用多个 CNN 模型的集成方法来提高检测的查全率和准确性，其中多数投票法表现得更好。我们提出的方法在测试中获得了 90% 的准确率、0.90 的精确度和 0.89 的召回率。未来可以扩展该研究以纳入其他类型的医学数据，包括信号、图像和其他数据，使用其他分类器、神经网络和人工智能技术以提高阿尔茨海默病的检测。

    May, 2024

  • 预测阿尔茨海默病：一项基于三维卷积神经网络的神经影像学研究

    本文提出了一种利用深度学习方法进行疾病预测的算法，通过 MRI 扫描病人的大脑，基于 ADNI 数据集中的 2265 个历史扫描，该算法可用于预测病人的疾病状态，并证明了 3D 卷积神经网络优于文献中的其他分类器并产生了最新的结果。

    Feb, 2015

  • 3D MRI 的阿尔茨海默病诊断中的视觉变换器和双向 LSTM

    使用 Visual Transformer (ViT) 和 bi-LSTM 处理 MRI 图像以诊断阿尔茨海默病，评估模型在阿尔茨海默病的二元分类中的性能表现，并与其他深度学习模型进行比较。所提出的方法在 AD 的诊断方面表现出较高的准确性、精确度、F 分数和召回率。

    Jan, 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