SA-UMamba:用于医疗图像分割的空间注意力卷积神经网络
Lei Liu1,2, Zhao Huang1, Shuai Wang1,2
1School of Computer Science and Technology, Huaibei Normal University, Huaibei, Anhui, China.
PloS one
|June 12, 2025
概括
这项研究介绍了SA-UMamba,一种新的医疗图像细分框架. 它通过结合全球和本地信息来增强特征提取,提高诊断准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 卷积神经网络 (CNN) 和变压器模型主导医疗图像细分,但有局限性.
- 美国有线电视频道 (CNN) 受到局部性的困扰,而变形金刚在注意力计算中面临着二次复杂性.
- 像Mamba这样的状态空间模型为全球建模提供线性复杂性,但在局部特征提取方面存在困难.
研究的目的:
- 解决医疗图像细分现有模型的局限性.
- 提出一个新的框架,有效地整合全球和本地特征提取.
- 为了提高医疗成像中的空间表达力和细分性能.
主要方法:
- 开发了一个新的剩余空间状态空间 (RSSS) 块,集成全球依赖的Mamba和局部模式的感受场注意力卷积 (RFAC).
- 引入了一个残余调整策略,用于全球和本地信息的动态融合.
- 设计了一个U形的SA-UMamba细分框架,利用RSSS块进行多级空间上下文捕获.
主要成果:
- 拟议的SA-UMamba框架在多个数据集中展示了有效的细分性能.
- 通过结合全球和本地表示,RSSS块成功增强了空间特征提取.
- 在Synapse,ISIC17,ISIC18和CVC-ClinicDB数据集上的实验验证证证了该框架的有效性.
结论:
- 该SA-UMamba框架在医疗图像细分方面提供了一个有前途的进步.
- 通过RSSS块集成全球和本地特征提取可以提高空间表达力.
- 该模型显示了改善医学诊断和治疗规划的巨大潜力.
