MSCD-VM-UNet:一个愿景的曼巴,将多规模的全球和本地特征提取与跨域特征融合相结合,用于医疗图像细分

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 准确的医学图像细分对于诊断和治疗规划至关重要.
• 国家空间模型 (SSM) 提供线性复杂性和远程依赖性建模.
• 由于直接跳过连接,现有的Mamba架构在多级特征集成和边界细节方面扎.

研究的目的:

• 为了解决当前医疗图像分割模型的局限性.
• 提出一种新的架构,MSCD-VM-UNet,以提高细分精度.
• 改进多尺度特征的整合和边界细节的处理.

主要方法:

• 开发了MSCD-VM-UNet架构,结合了三个新型模块.
• 实现了空间组多尺度注意模块 (SGMAM) 用于多尺度特征提取和噪声抑制.
• 集成了跨域特征融合模块 (CDFFM),用于频率和空间域特征对齐.
• 使用基于注意力的特征注入模块 (ABFIM) 进行自适应性特征融合和加权.

主要成果:

• 拟议的模块显著提高MSCD-VM-UNet架构的准确性.
• 在医疗图像细分任务中,MSCD-VM-UNet表现出卓越的性能.
• 新型模块有效地捕获多个规模的信息,并改善边界细节处理.

结论:

• MSCD-VM-UNet为医疗图像细分精度设定了一个新的基准.
• 集成SGMAM,CDFFM和ABFIM模块克服了以前架构的局限性.
• 这种方法为复杂的医疗图像细分挑战提供了强大的解决方案.