ÆMMamba:一个高效的医疗细分模型与边缘增强

科学领域:

• 医学图像分析 医学图像分析
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 准确的医学图像细分对于临床应用至关重要,但由于图像的复杂性而受到挑战.
• 像CNN和视觉转换器这样的现有方法在高效地建模远程依赖方面存在局限性.
• 国家空间模型为高效的远程依赖模型提供了潜力.

研究的目的:

• 介绍 ÆMMamba,一个新的多尺度特征提取框架,用于增强医疗图像细分.
• 解决当前模型在捕获本地和全球图像特征方面的局限性.
• 提高跨多种医学成像模式和数据集的细分精度.

主要方法:

• 基于Mamba骨干开发的 ÆMMamba,结合了高效融合桥 (EFB) 进行多级特征融合.
• 集成了一个 Edge-Aware 模块 (EAM),使用基于 Sobel 的边缘提取来增强低级别的功能.
• 使用边界敏感解码器 (BSD) 具有反向注意力和残余卷曲,用于复杂的边界处理.

主要成果:

• 在8个医疗细分数据集上, ÆMMamba 实现了最先进的性能.
• 与MADGNet和Swin-UMamba相比,在聚细分方面表现优越 (例如,ETIS上的72.22mDice).
• 在肺部和乳腺细分方面表现优于H2Former和SwinUnet (例如,BUSI上的84.24,COVID-19肺部上的79.83).
• 在LGG脑部MRI细分 (87.25 mDice, 79.31 mIoU) 上获得高分.

结论:

• 在医疗图像细分方面, ÆMMamba 是一个显著的进步,其性能优于现有的方法.
• 拟议的框架有效地整合了多个规模的特征和边界信息,以实现强大的细分.
• 在需要精确的图像细分的各种临床应用中, ÆMMamba 显示出巨大的潜力.