相关实验视频
Updated: May 11, 2025
06:53
3D Whole-heart Myocardial Tissue Analysis
Published on: April 12, 2017
8.7K
结合双流融合mamba和重新设计的多层感知子的U形网络,用于心肌病理细分的多层感知子
Wenjie Zhang1, Tiejun Yang2,3,4, Jiacheng Fan1
1School of Information Science and Engineering, Henan University of Technology, Zhengzhou, China.
Medical physics
|April 17, 2025
概括
这项研究引入了一个新的两阶段框架,使用Kolmogorov-Arnold网络 (KAN) 和Mamba来对心脏MRI中的心肌病理进行细分. 该方法显著提高了在心肌梗塞患者中识别胀和痕组织的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心脏病学 心脏病学
背景情况:
- 心脏磁共振成像 (CMR) 通过识别痕和等病理特征,对诊断心肌梗塞 (MI) 至关重要.
- 在CMR中对心肌病理的自动细分具有挑战性,因为单次序图像和小病理区域的信息有限.
研究的目的:
- 提出一种新的两阶段解剖病理细分框架,将科尔莫戈罗夫-阿诺德网络 (KAN) 和Mamba.
- 在多序CMR图像中有效地细分心肌病学.
主要方法:
- 一种两阶段的方法:使用MambaUnet进行粗略的解剖细分,然后进行细致的病理细分.
- 推出了KANMambaNet与双流融合Mamba模块,用于增强远程依赖性捕获和小区域特征区分.
- 使用基于科尔莫戈罗夫-阿诺德网络的多层感知子 (KAN MLP) 具有可学习的激活功能,以改善病理特征的差异化.
主要成果:
- 在MyoPS2020数据集上实现了心肌腫瘤的0.8041 ± 0.0751和心肌痕的0.9051 ± 0.0240的Dice得分.
- 与基线相比显著改善MambaUnet:瘤细分增加0.1420,痕细分增加0.1081.
结论:
- 开发了一种创新的两阶段框架,将KAN和Mamba集成在一起,以在多序CMR中有效地对心肌病理学进行细分.
- 与最先进的技术相比,拟议的方法实现了优越的细分性能.
