CDA-mamba:用于增强3D医学图像细分的跨方向注意力mamba
Jiashu Xu1, Yihua Lan2,3, Yingqi Zhang2
1School of Artificial Intelligence and Software Engineering, Nanyang Normal University, Nanyang, 473001, China. jiashuxu@nynu.edu.cn.
Scientific reports
|July 2, 2025
概括
新的混合模型CDA-Mamba通过将状态空间模型与卷积和注意力机制集成来增强3D医疗图像细分. 它在脑瘤和呼吸道细分任务中实现了高精度.
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:
- 状态空间模型 (SSM) 在远程依赖性方面表现出色,但在3D医疗图像细分方面未得到充分利用.
- 现有的方法在捕获体积信息和平衡计算效率方面面临挑战.
研究的目的:
- 介绍CDA-Mamba,这是一个用于3D医疗图像细分的新型混合架构.
- 解决当前模型在体积数据的效率和准确性方面的局限性.
- 利用SSM,卷曲和注意力机制的杆力量.
主要方法:
- 开发了CDA-Mamba (横向注意力mamba),一种混合架构.
- 集成的多频门式卷积 (MFGC) 用于功能集成.
- 使用三向mamba来捕获体积依赖.
- 综合选择性自我注意力在高语义层,以提供高效的全球背景.
主要成果:
- 在BraTS2023脑瘤细分数据集上获得了91.44的平均子得分.
- 在AIIB2023气道细分数据集上达到最高的IoU为88.72和DLR为71.01.
- 证明了竞争性性能,平衡准确性和计算效率.
结论:
- CDA-Mamba有效地对3D医学图像进行细分,在脑瘤和呼吸道数据集上表现出强的表现.
- 混合方法成功地将SSM效率与卷积和注意力优势相结合.
- 这种架构为准确和高效的3D医疗图像细分提供了有前途的解决方案.
