用神经架构搜索医学图像分割的SliceMamba

科学领域:

• 计算机视觉 计算机视觉
• 医学成像分析 医学成像分析
• 人工智能的人工智能

背景情况:

• 目前基于Mamba的医疗图像细分模型面临着由于单向或多向扫描而捕捉本地特征依赖性的挑战.
• 对局部特征的有效学习对于医学图像中解剖结构和病理病变的准确细分至关重要.

研究的目的:

• 提出SliceMamba,一种基于Mamba的新型模型,旨在增强用于医疗图像细分的本地敏感特征的学习.
• 改进对邻近位置之间的空间依赖关系的捕捉,从而促进地方特征的歧视性表示.

主要方法:

• 介绍双向切片和扫描 (BSS) 模块,以实现高效的双向特征切片和切片特征的多种扫描.
• 实施自适应切片搜索方法,根据数据特征自动确定最佳特征切片策略.
• 模型对各种医学成像数据集的评估,包括皮肤病变,多,视网膜出血和多器官细分.

主要成果:

• 在医疗图像分割任务中,SliceMamba 通过其 BSS 模块来保存本地图像结构,展示了卓越的性能.
• 适应切片搜索有效地适应了病变和器官大小和形状的变化.
• 该模型在多个具有挑战性的细分基准中取得了显著的改进.

结论:

• 在基于Mamba的医疗图像细分中,SliceMamba提供了一种简单而有效的解决方案,用于增强本地特征表示.
• 拟议的BSS模块和自适应切片搜索是提高细分精度和稳健性的关键创新.
• 对于需要精确医疗图像细分的临床应用,SliceMamba显示出巨大的潜力.