MTMU:基于多域转换的Mamba-UNet,专为未破裂的内动脉瘤细分而设计

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经外科 神经外科

背景情况:

• 准确细分未破裂的内动脉瘤 (UIAs) 对于评估形状参数和指导管理至关重要.
• 由于小的病变体积和与母动脉的模糊边界,细分具有挑战性.

研究的目的:

• 提出一种新的深度学习模型,即基于多域转换的Mamba-UNet (MTMU),用于准确的UIA细分.
• 解决现有方法在处理小型UIA体积和不清楚边界方面的局限性.

主要方法:

• 开发了一个U形架构,包含Mamba和Flip (MF) 块,用于远程依赖感知和计算效率.
• 集成的富里埃转换 (FT) 边缘信息增强和几何约束 (GC) 子任务,用于精确的动脉瘤圆顶分割.
• 对MTMU模型与竞争性医疗图像细分方法进行了评估.

主要成果:

• 与现有方法相比,MTMU模型在UIA细分方面表现优越.
• 基于FT的连接有效地增强了边缘特征,对于小而模糊的病变至关重要.
• GC子任务提高了分离动脉瘤圆顶与母动脉的准确性.

结论:

• 拟议的MTMU模型为UIA细分提供了强大而准确的解决方案.
• 该方法显示了在UIA管理和治疗规划中临床应用的巨大潜力.