Mamba colaborativo mejorado por la diversidad para la segmentación de imágenes médicas semisupervisadas

Área de la Ciencia:

• Análisis de imágenes médicas
• Visión por computadora
• Aprendizaje automático

Sus antecedentes:

• La obtención de datos médicos anotados de alta calidad es costosa y requiere mucho tiempo.
• El aprendizaje semisupervisado reduce la carga de anotación mediante el uso de datos sin etiqueta para el pseudoetiquetado.
• Los modelos espaciales estatales como Mamba sobresalen en la captura de dependencias de largo alcance.

Objetivo del estudio:

• Explorar el potencial de los modelos espaciales de estado avanzado en la segmentación de imágenes médicas semisupervisadas.
• Proponer un nuevo marco, DCMamba, que mejore la diversidad a través de datos, redes y características.

Principales métodos:

• Desarrollado el nivel de parche de la mezcla fuerte y débil adaptado para el escaneo de Mamba.
• Se introdujo un módulo de colaboración de escaneo diverso para aprovechar las discrepancias de predicción direccional.
• Aprendizaje contrastado ponderado por incertidumbre para enriquecer la diversidad de la representación de características.

Principales resultados:

• DCMamba demostró un rendimiento superior en la segmentación de imágenes médicas semisupervisadas.
• Logró una mejora del 6,69% con respecto al último método basado en el MUS en el conjunto de datos de Synapse con un 20% de datos etiquetados.

Conclusiones:

• DCMamba utiliza efectivamente la diversidad de datos, redes y características para mejorar la segmentación semi-supervisada.
• El marco propuesto ofrece una dirección prometedora para una segmentación eficiente de imágenes médicas con anotaciones limitadas.