嵌入Vision-xLSTM的U-Nets是否更好地对医疗图像进行细分?

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 医学图像细分传统上依赖于卷积神经网络 (CNN).
• 新兴的混合型号将CNN与视觉变压器 (ViT) 结合起来,但ViT具有高的计算和存储需求.
• 需要在资源有限的系统上部署高效,高性能的细分架构.

研究的目的:

• 提出视觉扩展长期短期记忆 (Vision-xLSTM) 作为医疗图像细分的高效支柱.
• 引入和评估一种新的混合架构,U-VixLSTM,将CNN与Vision-xLSTM集成在一起.
• 为了证明U-VixLSTM与现有的最先进的方法相比,在降低计算成本的情况下实现了更高的性能.

主要方法:

• 开发了U-VixLSTM架构,将CNN与Vision-xLSTM块集成在一起.
• 视觉-xLSTM块处理CNN特征地图补丁,以捕捉时间和全球关系.
• 一个卷积特征重建路径 upsamples Vision-xLSTM 输出用于细分.

主要成果:

• 在Synapse,ISIC和ACDC医疗图像细分数据集上,U-VixLSTM表现出卓越的性能.
• 拟议的模型实现了有效的细分结果,而没有与视觉变压器 (ViT) 相关的大量计算负担.
• 该架构证明了计算效率高,适合在资源有限的环境中部署.

结论:

• 在医疗图像细分方面,U-VixLSTM为ViTs提供了一个有前途的替代方案.
• 该模型提供了高性能和计算效率的平衡.
• 这种方法有助于在医疗保健环境中部署更快,资源高效的医学图像分析和诊断.