LiteMamba-Bound:一个基于Mamba的轻量级模型,具有边界意识和正常化的活跃轮损失,用于皮肤损伤细分

科学领域:

• 医疗成像医学成像
• 皮肤病学中的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 精确的皮肤细分对于皮肤病诊断和皮肤癌研究至关重要.
• 深度学习模型,包括卷积神经网络 (CNN) 和视觉转换器 (ViT),对于医学图像分析至关重要.
• 基于状态空间模型的2D选择性扫描 (SS2D) 模块在替换传统架构方面显示出前景.

研究的目的:

• 介绍LiteMamba-Bound,一个轻量级的深度学习模型,用于增强皮肤图像细分.
• 提高区分关键皮肤区域 (如病变和) 与健康皮肤的准确性.
• 为了利用先进的架构组件和损失函数,实现卓越的细分性能.

主要方法:

• 开发LiteMamba-Bound,一个轻量级的模型,参数约957K.
• 在编码器和解码器中集成频道注意力双Mamba (CAD-Mamba) 块.
• 包括一个带有简单注意力瓶和反向注意力边界模块的混合卷积.
• 实现一个规范化的主动轮损失函数,以优化性能.

主要成果:

• 在皮肤图像细分任务中,LiteMamba-Bound表现出卓越的性能.
• 在ISIC2018和PH2皮肤图像数据集中观察到一致的结果.
• 拟议的模型优于现有的最先进的细分模型.

结论:

• LiteMamba-Bound为皮肤图像细分提供了一个高效和轻量级的解决方案.
• 新的架构组件和损失函数对提高准确度做出了重大贡献.
• 这种模型有可能促进皮肤病学研究和临床应用.