UC-Mamba:适应性跨层融合网络与2D选择性叶扫描和道通道线性单元用于性结肠炎评估
1Faculty of Life Science and Technology, Kunming University of Science and Technology, Kunming, 650500, China; Medical School, Kunming University of Science and Technology, Kunming, 650500, China; Second Affiliated Hospital of Kunming Medical University, Kunming, Yunnan, 650106, China.
Computers in biology and medicine
|August 6, 2025
概括
UC-Mamba是一种新的深度学习模型,通过增强特征提取来改善性结肠炎 (UC) 严重性评估. 这种仿生方法在准确性和诊断指标方面明显优于现有方法.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 胃肠病学和计算病理学
背景情况:
- 精确的性结肠炎 (UC) 严重程度评估受到复杂的病变特征的阻碍.
- 现有的深度学习方法在捕捉微妙的UC损伤特征方面存在局限性.
研究的目的:
- 引入UC-Mamba,一种用于增强UC严重性评估的新型神经网络架构.
- 解决特征灵敏度,局部建模和跨层信息集成在UC当前深度学习方法中的局限性.
主要方法:
- 开发了UC-Mamba,一个神经网络,将仿生设计与先进的特征提取集成在一起.
- 整合了三个新型组件:2D选择性叶扫描,2D选择性叶扫描,2D选择性叶扫描,2D选择性叶扫描,2D选择性叶扫描,2D选择性叶扫描,2D选择性叶扫描,2D选择性叶扫描,2D选择性叶扫描,2D选择性叶扫描,2D选择性叶扫描,2D选择性叶扫描,2D选择性叶扫描,2D选择性叶扫描,2D选择性叶扫描,2D选择性叶扫描,2D选择性叶扫描,2D选择性叶扫描,2D选择性叶扫描,2D选择性叶扫描,2D选择性叶扫描,2D选择性叶扫描,2D选择性叶扫描,3D选择性叶扫描.
- 验证了私人和公共Kvasir UC数据集的性能.
主要成果:
- 在私人数据集上,UC-Mamba实现了88.47%的准确性,84.63%的MCC和87.92%的F1分数,超过了最先进的方法.
- 在Kvasir数据集上,UC-Mamba达到了85.02%的准确度.
- 废弃性研究证实了每个拟议成分的协同效果.
结论:
- 与现有的深度学习模型相比,UC-Mamba在性结肠炎严重程度评估方面表现出卓越的性能.
- 拟议的架构组件显著提高了模型分析复杂UC损伤特征的能力.
- 这些发现表明UC-Mamba是更准确,更可靠的UC评估的有希望的工具.
更多相关视频
09:56In Vivo Multimodal Imaging and Analysis of Mouse Laser-Induced Choroidal Neovascularization Model
Published on: January 21, 2018
9.3K
09:42Murine Endoscopy for In Vivo Multimodal Imaging of Carcinogenesis and Assessment of Intestinal Wound Healing and Inflammation
Published on: August 26, 2014
18.8K