脊柱Mamba:通过剩余的视觉Mamba层和形状先验来增强临床成像中的3D脊柱细分

科学领域:

• 医学成像分析分析 医学成像分析
• 医疗保健中的人工智能
• 脊椎解剖学和疾病

背景情况:

• 精确的3D细分脊柱图像对于诊断和治疗脊柱疾病至关重要.
• 目前的细分方法与复杂的脊柱解剖学和成像不确定性作斗争.
• 现有的深度学习模型,如CNN和变形金刚,在捕捉远程依赖方面存在局限性.

研究的目的:

• 介绍SpineMamba,一个用于增强3D脊柱图像细分的新框架.
• 改进脊柱数据中深度语义特征和远程空间依赖性的建模.
• 为了增强脊椎的结构语义理解,使用脊柱形状前模块.

主要方法:

• 开发了SpineMamba,结合了剩余的视觉Mamba层,以捕捉远程依赖.
• 整合了一种新的脊柱形状,以提高解剖学理解.
• 在三个不同的数据集 (CT和MR) 上进行了广泛的比较和废弃实验.

主要成果:

• 在所有测试的数据集上,与最先进的模型相比,SpineMamba在所有测试的数据集上都表现出更高的性能.
• 在CT数据集上达到了高的子相似系数:94.40±4%和88.28±3%,在MR数据集上达到了86.95±10%.
• 它的表现优于广泛认可的nnU-Net模型,最高提高了3.63个百分点.

结论:

• 在3D脊柱图像细分准确性和稳健性方面,SpineMamba提供了显著的进步.
• 该框架有效地捕捉了深层次的语义特征和远程空间依赖关系.
• 结果强调了SpineMamba在脊柱图像分析中的精度,稳定性和强大的概括能力.