级联残留多尺度卷积和Mamba结构的UNet用于先进的大脑瘤图像分割
Rui Zhou1, Ju Wang2, Guijiang Xia1
1School of Zhang Jian, Nantong University, Nantong 226019, China.
Entropy (Basel, Switzerland)
|May 24, 2024
概括
MambaBTS是一种新的脑瘤细分模型,它结合了CNN和变压器,提高了MRI分析的准确性和效率. 这种方法增强了诊断能力,以便更好地进行临床计划.
科学领域:
- 医学成像分析 医学成像分析
- 人工智能在医学中的应用
- 计算神经科学是一种神经科学.
背景情况:
- 精确的脑瘤细分对于诊断和治疗计划至关重要.
- 卷积神经网络 (CNN) 和变压器模型在处理序列数据和大数据集的计算效率方面存在局限性.
- 现有的方法在医学图像细分中努力平衡准确性和计算需求.
研究的目的:
- 介绍MambaBTS,一种用于MRI中增强脑瘤细分的新型模型.
- 以马巴建筑为灵感,将CNN和变压器的优势结合起来.
- 与现有模型相比,提高计算效率和细分精度.
主要方法:
- 开发了MambaBTS,集成了CNN,变压器和Mamba灵感的架构,并配备了级联剩余的多尺度卷积内核.
- 采用混合损失函数,将子损失和交叉度结合起来,以进行精细的细分.
- 对MICCAI BraTS 2019脑瘤细分数据集的评估性能.
主要成果:
- 曼巴BTS获得了高的子系数:0.8450 (整个瘤),0.8606 (瘤核心) 和0.7796 (增强瘤).
- 该模型表现出比现有方法更高的精度,计算效率和参数效率.
- 降低了计算复杂性,并增强了受体场,以改善细分.
结论:
- 在MRI中,MambaBTS为脑瘤细分提供了一个平衡,高效和有效的解决方案.
- 该模型克服了医疗成像中的传统CNN和变压器的局限性.
- 结果表明改善临床诊断和治疗规划的巨大潜力.
