MLAgg-UNet:通过高效的变压器和以Mamba为灵感的多尺度序列推进医疗图像分割

科学领域:

• 医疗图像分析 医疗图像分析
• 深度学习用于计算机视觉.
• 生物医学工程 生物医学工程

背景情况:

• 变压器和状态空间序列模型 (SSM) 在生物医学图像细分中显示出有希望的长距离依赖性捕获.
• 传统的视觉状态空间 (VSS) 模型面临着图像令牌兼容性和自动回归假设的挑战.
• 变压器模型虽然不需要自行回归假设,但会产生高的计算成本,限制了通道智能的信息使用.

研究的目的:

• 引入一种新的深度学习架构,MLAgg-UNet,以改善生物医学图像细分.
• 解决现有方法的局限性,包括计算成本和特征表示.
• 加强道智能信息和多尺度功能集成的利用.

主要方法:

• 提出了Mamba-Like聚合UNet (MLAgg-UNet),其中包含了受到Mamba启发的机制.
• 开发了Mamba-Like聚合注意力 (MLAgg) 块,用于高效的令牌依赖模型.
• 在跳过连接中引入了含有因果关系 (MSMM) 的多尺度Mamba模块,用于跨尺度特征优化.

主要成果:

• MLAgg-UNet在四个基准数据集 (腹部MRI,ACD,BTCV,EndoVis17) 中表现出优异的性能,涵盖MRI,CT和内镜.
• 取得了显著的子相似系数 (DSC) 评分改善:1.24% (腹部MRI),0.20% (ACDC),0.33% (BTCV) 和0.39% (EndoVis17).
• 超越了最先进的CNN,变压器和基于Mamba的细分方法.

结论:

• MLAgg-UNet有效地捕获特征相关性,并集成互补的多尺度信息,以进行强大的医疗图像细分.
• 拟议的架构在表示能力和计算效率之间提供了平衡.
• 该研究为各种医学成像模式提供了一个有前途的解决方案,并公开实施.