CFM-UNet:将本地和全球特征提取网络连接起来,用于医疗图像细分
Ke Niu1, Jiacheng Han2, Jiuyun Cai2
1Beijing Information Science and Technology University, Computer School, Beijing, 100000, China. niuke@bistu.edu.cn.
Scientific reports
|July 2, 2025
概括
这项研究引入了一种混合CNN-Mamba U-Net用于医疗图像细分,增强本地和全球特征提取. 拟议的CFM-UNet在各种医学成像数据集中实现了卓越的性能.
科学领域:
- 医学图像分析 医学图像分析
- 深度学习架构 深度学习架构
- 计算机视觉 计算机视觉
背景情况:
- 卷积神经网络 (CNN) 在医学成像中擅长局部特征提取,但在全球背景下扎.
- 马巴网络捕获远程依赖,但可能会错过细微的空间细节.
- 需要一种混合方法来结合CNN和Mamba的优势,以改善医疗图像细分.
研究的目的:
- 开发一种新的混合深度学习模型,基于CNN-Fusion-Mamba的U-Net (CFM-UNet),用于增强医疗图像细分.
- 在U-Net框架内集成CNN用于本地特征提取和Mamba用于全球特征提取.
- 评估CFM-UNet在各种医学成像数据集上的性能和概括能力.
主要方法:
- 拟议的CFM-UNet集成了基于CNN的Bottle2neck块,用于本地特征学习.
- 基于Mamba的视觉状态空间块被纳入全球特征提取.
- 一个新的空间通道激发融合 (SEF) 块被设计为平行CNN和Mamba路径之间的有效特征融合.
主要成果:
- 与现有的先进方法相比,CFM-UNet在多个医疗图像细分任务上表现出卓越的性能.
- 该模型在细分肝脏器官,肝脏瘤,脊柱和结肠多瘤方面取得了高准确性.
- CFM-UNet表现出强大的概括能力,特别是在肝脏器官细分方面.
结论:
- 拟议的CFM-UNet有效地结合了CNN和Mamba在医疗图像细分方面的互补优势.
- 这种混合架构显著提高了细分精度和稳定性.
- CFM-UNet代表了自动化医疗图像分析的一个有前途的进步.
