HWA-ResMamba:基于残留Mamba的冠状动脉自动细分,具有高级波段增强卷积和注意力特征聚合
Jinzhong Yang1,2, Peng Hong2,3, Lu Wang4
1College of Medicine and Biological Information Engineering, Northeastern University, Shenyang 110169, People's Republic of China.
Physics in medicine and biology
|March 14, 2025
概括
这项研究介绍了HWA-ResMamba,这是一种用于准确冠状动脉细分的新型深度学习模型,通过增强特征提取和远程依赖模型来改善冠状动脉疾病的诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心血管疾病研究研究
背景情况:
- 冠状动脉的自动细分对于诊断冠状动脉疾病至关重要.
- 挑战包括模糊的边界,细分支和个体变异,阻碍准确的细分.
- 现有的方法难以应对冠状动脉结构的复杂性.
研究的目的:
- 开发一个先进的深度学习模型,HWA-ResMamba,用于精确的冠状动脉细分.
- 解决目前捕捉微妙细节和远程依赖的方法的局限性.
- 为了提高临床应用的自动化冠状动脉细分的准确性和可靠性.
主要方法:
- 拟议的HWA-ResMamba架构包括高阶波形增强卷积 (HWCB),残余Mamba (ResMamba) 和注意特征聚合 (AFA) 模块.
- 高频电缆捕获低频图像信息,以获得边界细节.
- ResMamba建立了远程依赖关系,而AFA则为小型分支机构改进了功能聚合.
主要成果:
- 与最先进的方法相比,HWA-ResMamba在三个数据集上表现出卓越的性能.
- 在自己构建的数据集上获得0.8857的子得分和1.9028的豪斯多夫距离,表现优于nnUnet.
- 在公开数据集上,安全子得分为0.8371和0.7861,也超过了nnUnet.
结论:
- 该HWA-ResMamba模型在冠状动脉细分精度上提供了显著的改进.
- 该方法有效地处理复杂的解剖变异和细结构.
- 这有助于加强冠状动脉疾病的诊断和评估.
