曼巴-Sea:一个基于曼巴的框架,具有全球到本地序列增强,用于可概括的医疗图像分割

科学领域:

• 医疗图像分析 医学图像分析
• 计算机视觉 计算机视觉 计算机视觉
• 机器学习是机器学习.

背景情况:

• 域泛化 (DG) 对于医疗图像细分至关重要,以解决未见的目标域之间的分布转移.
• 目前的 DG 方法主要依赖于卷积神经网络 (CNN) 或视觉转换器 (ViT).
• 像Mamba这样的先进状态空间模型在医疗图像细分方面表现有前途,因为它们能够捕捉具有线性复杂性的远程依赖.

研究的目的:

• 探索Mamba架构在医学图像细分中的域泛化潜力.
• 提出一个基于Mamba的新框架,Mamba-Sea,以改善域名转移下的概括性.
• 在医学图像细分方面建立一个新的最先进的技术,使用Mamba用于DG.

主要方法:

• 开发了Mamba-Sea,这是一个基于Mamba的框架,包含全球到本地序列增强.
• 实施全球增强机制来模拟外观变化并减少特定领域的学习.
• 引入了序列智能增强,通过重新抽样与域移动相关的风格统计来扰乱令牌风格.

主要成果:

• 马巴-Sea在医疗图像细分中的域移动方面表现出强大的稳定性.
• 在前列腺数据集上实现了超过90%的子系数,超过了之前的最先进状态 (88.61%).
• 这项工作是第一个探索用于医疗图像细分的Mamba泛化.

结论:

• 曼巴-Sea提供了一个有前途的基于Mamba的架构,用于在域移动下进行强大的医疗图像细分.
• 拟议的全球到本地序列增强有效地提高了模型的通用性.
• 该框架为医疗成像任务中的域概括设定了一个新的基准.