MSVM-UNet:用于医学图像分割的多尺度视觉Mamba UNet
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
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
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
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
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
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
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
本研究针对现有医学图像分割模型在长距离依赖建模能力上的不足进行改进,提出了一种名为HMT-UNet的新型U形架构模型。通过将状态空间模型(SSM)与变换器的混合机制结合,显著提升了图像语义信息的捕捉能力,实验结果表明,HMT-UNet在多项医学图像分割任务中展现出竞争力的性能。
Aug, 2024
本研究解决了现有视覺Mamba模型在医学图像分割中的局部与全局依赖问题。提出的LoG-VMamba通过在通道轴上明确保持空阔相邻的标记,并以压缩形式保留全局上下文,从而实现了高效的局部和全局上下文访问。结果显示,LoG-VMamba在多种2D和3D医学图像分割任务中显著优于传统CNN和Transformer模型。
Aug, 2024