CLT-MambaSeg:用于医疗图像分割的卷积,线性变压器和多尺度Mamba的综合模型
1Department of Computer Science & Engineering, Indian Institute of Technology Indore, Indore 453552, India.
Computers in biology and medicine
|July 27, 2025
概括
这项研究介绍了CLT-MambaSeg,这是一种用于医学图像细分的新型深度学习方法. 它有效地平衡了局部特征提取,全球上下文建模和使用Convolution,线性变压器和Mamba架构的计算效率,提高了细分精度.
科学领域:
- 医学图像分析 医学图像分析
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算机视觉 计算机视觉
背景情况:
- 深度学习推进了医疗图像细分,但平衡特征本地化,全球上下文和效率是具有挑战性的.
- 卷积神经网络 (CNN) 在局部特征方面表现出色,但在远程依赖方面却很难.
- 变压器捕捉全球背景,但是计算密集型和数据饥饿.
研究的目的:
- 提出CLT-MambaSeg,这是医疗图像细分的新型架构.
- 整合卷积,线性变压器和多尺度Mamba,以改善功能本地化,全球上下文建模和计算效率.
- 为了解决有限的数据挑战,使用记忆引导增强生成对抗网络 (MeGA-GAN).
主要方法:
- 开发了CLT-MambaSeg,集成了卷积,线性变压器和多尺度的Mamba.
- 采用基于卷积的空间表示提取 (SREx) 模块来处理复杂的空间关系.
- 使用了Mamba视觉线性变压器 (MVLTrans) 模块用于多尺度和全球环境.
- 引入了MeGA-GAN用于合成数据生成,以增加有限的数据集.
主要成果:
- 在五个基准数据集 (CVC-ClinicDB,BUSI,PH2,ISIC-2016,ISIC-2017) 上进行了广泛的实验.
- 与现有的最先进的方法相比,CLT-MambaSeg表现出更高的性能.
- 废弃性研究证实了单个组件和整体结构的有效性.
结论:
- CLT-MambaSeg有效地捕获本地和全球特征,同时保持医学图像细分的计算效率.
- 通过MeGA-GAN增强的拟议方法显示了提高医疗图像细分精度的巨大潜力,特别是在有限的数据的情况下.
- CLT-MambaSeg代表了医学图像分析深度学习的有希望的进步.
