MUNet:用于准确分类脑瘤的新框架,将UNet和mamba网络结合起来

科学领域:

• 医疗图像分析 医学图像分析
• 医疗保健中的人工智能
• 神经外科和瘤学

背景情况:

• 大脑瘤对健康构成重大风险,需要精确的细分和检测才能有效治疗.
• 现有的深度学习模型,如变形金刚和CNN在捕捉医疗图像处理的全球和本地特征方面都有局限性.
• 变压器具有高的计算成本和数据需求,而CNN则在全球信息处理方面扎.

研究的目的:

• 开发一个新的网络框架,MUNet,将UNet和Mamba的优势整合起来,用于优越的脑瘤细分.
• 增强模型捕获全球和本地图像特征的能力,以提高细分精度.
• 通过专门的模块和损失函数来优化计算效率和细分性能.

主要方法:

• 介绍了选择性扫描和状态空间建模 (SD-SSM) 模块,用于全面的特征提取.
• 开发SD-Convolution (SD-Conv) 结构以减少特征冗余并提高计算效率.
• 实施一个结合损失函数,包括mIoU,Dise和Boundary损失,用于多视角细分的精细化.

主要成果:

• MUNet在BraTS2020数据集上实现了高性能,DSC得分为0.835 (ET),0.915 (WT) 和0.823 (TC),而Hausdorff95得分为2.421,3.755和6.437.
• 在BraTS2018数据集上,MUNet报告了0.815 (ET),0.901 (WT) 和0.815 (TC) 的DSC值,Hausdorff95分数为4.389,6.243和6.152.
• 该模型在独立的LGG数据集上展示了出色的概括能力,在各种医学成像场景中表现优于现有方法.

结论:

• MUNet通过有效地整合全球和本地特征学习,在脑瘤细分方面取得了重大进展.
• 拟议的SD-SSM模块和SD-Conv结构有助于提高准确性和计算效率.
• MUNet的强大性能和概括能力凸显了其在医学成像中的临床应用潜力.