在医学图像重建中增强全球灵敏度和不确定性量化,使用蒙特卡洛任意蒙面 mamba
Jiahao Huang1, Liutao Yang2, Fanwen Wang1
1Bioengineering Department and Imperial-X, Imperial College London, London W12 7SL, United Kingdom; National Heart and Lung Institute, Imperial College London, London SW7 2AZ, United Kingdom; Cardiovascular Research Centre, Royal Brompton Hospital, London SW3 6NP, United Kingdom.
Medical image analysis
|September 10, 2024
概括
MambaMIR是一种新的深度学习模型,增强了医疗图像重建和不确定性估计. 它在忠实性和感知质量方面优于现有的方法,为临床医生提供了有价值的工具.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 卷积神经网络 (CNN) 和视觉转换器 (ViT) 在医学图像重建中占主导地位,但具有局限性.
- 一个新兴的模型Mamba,为视觉表示学习提供线性可扩展性和全球敏感性.
研究的目的:
- 介绍MambaMIR,这是一个基于Mamba的模型,用于联合医学图像重建和不确定性估计.
- 开发一种任意扫描掩盖 (ASM) 机制,以改善不确定性估计.
- 使用波形变换和生成对抗网络 (GAN) 提高纹理保存和感知质量.
主要方法:
- 开发了MambaMIR,结合了任意扫描掩盖 (ASM) 机制来估计不确定性.
- 拟议的MC-ASM作为蒙特卡洛 (MC) 脱落的替代方案,减轻性能下降.
- 集成波波变换,并探索了一种GAN变体 (MambaMIR-GAN),以增强纹理和感知质量.
主要成果:
- 在各种医学图像重建任务中,MambaMIR和MambaMIR-GAN的性能超过了基线和最先进的方法.
- 马巴米尔 (MambaMIR) 显示出优异的重建保真度.
- 曼巴米尔-甘达达到了最佳的感知质量.
- 在没有超参数调整的情况下,MC-ASM提供了有效的不确定性图.
结论:
- 在医学图像重建和不确定性估计方面,MambaMIR提供了显著的进步.
- 拟议的MC-ASM机制提供了一种可靠的不确定性量化方法.
- 曼巴MIR-GAN增强了感知质量,这对于临床应用至关重要.
