SegMamba-V2:用于一般3D医疗图像细分的长距离序列建模mamba

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:

• 变压器模型在3D医疗图像细分方面表现出色,但计算密集.
• 像Mamba这样的状态空间模型 (SSM) 对远程依赖性建模具有前景,但在3D医学成像中尚未得到充分探索.

研究的目的:

• 介绍SegMamba-V2,一个新的3D医疗图像细分模型,旨在有效地捕获远程依赖.
• 通过将全球依赖模型扩展到三个直角平面来增强特征表示.

主要方法:

• 开发了一种层次化规模下降采样策略,以改善接收场和减少信息丢失.
• 设计了一种新的三面导向空间Mamba块,用于增强全球依赖性建模.
• 引入并使用CRC-2000数据集进行细粒度3D结直肠癌细分.

主要成果:

• 与最先进的方法相比,SegMamba-V2在多个3D医学图像细分数据集中表现出卓越的性能.
• 该模型在不同的模式,器官和细分目标上表现出有效性.
• 拟议的层次下采样和三定向的Mamba块显著改善了特征表示.

结论:

• SegMamba-V2为3D医疗图像细分提供了一个计算效率高和高效的解决方案.
• 该模型的架构,包括Mamba,被证明是多功能和强大的捕获长距离依赖在体积数据.
• 这项研究强调了基于Mamba的方法在推进3D医学图像分析方面的潜力.