神经记忆状态空间模型用于医疗图像分割
Zhihua Wang1,2, Jingjun Gu1,2, Wang Zhou3
1College of Computer Science, Zhejiang University, Hangzhou, P. R. China.
International journal of neural systems
|September 29, 2024
概括
本研究介绍了nmSSM-UNet,这是一种用于医疗图像细分的新型深度学习架构. 它结合了神经记忆普通微分方程 (nmODEs) 和状态空间模型 (SSM) 来提高诊断的准确性和效率.
科学领域:
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 深度学习,特别是UNet,对于医学图像细分至关重要.
- 变压器改进了UNet,但面临着计算方面的挑战.
- 像Mamba这样的状态空间模型 (SSM) 提供了线性复杂性,神经记忆普通微分方程 (nmODEs) 显示出了希望.
研究的目的:
- 探索nmODEs和SSM的优点和弱点.
- 提出一种新的nmSSM解码器架构,结合它们的优势.
- 为了验证nmSSM-UNet在医疗图像细分方面的有效性.
主要方法:
- 开发了一种新的nmSSM解码器,集成nmODEs和SSMs.
- 构建了nmSSM-UNet的架构.
- 在PH2,ISIC2018和BU-COCO数据集上进行了实验.
- 进行了废除研究以确认改善.
主要成果:
- nmSSM-UNet展示了强大的非线性表示和全球信息处理.
- 该架构在医疗图像细分任务中显示出有希望的结果.
- 废弃实验验证了提议改进的贡献.
结论:
- 该nmSSM解码器有效地结合了nmODEs和SSM的优势.
- nmSSM-UNet是推动医疗图像细分的宝贵工具.
- 这项工作突出了整合nmODEs和SSM以改善医疗AI的潜力.
