MCBL-UNet:一种混合Mamba-CNN边界增强的轻量级UNet用于胎盘超声波图像分割

科学领域:

• 医学成像医学成像
• 人工智能的人工智能是人工智能.
• 生物医学工程 生物医学工程

背景情况:

• 精确的胎盘细分在超声波中对于监测胎儿发育至关重要,但由于图像噪声和模糊的边界,这具有挑战性.
• 临床环境经常面临资源限制,限制了复杂的细分模型的使用.

研究的目的:

• 开发一种新的,轻量级的细分框架 (MCBL-UNet) 以实现高效和准确的医疗超声波图像细分.
• 通过将远程建模 (Mamba) 与局部特征提取 (CNNs) 集成,解决现有方法的局限性.

主要方法:

• 拟议的MCBL-UNet是一个6层的U-Net架构,包含边界增强 (BEM),多维全球上下文 (MGCM) 和平行通道空间注意 (PCSAM) 模块.
• 引入了注意力下采样 (ADM) 和内容意识上采样 (CUM) 模块,以改善特征重建和边缘保护.
• 评估了胎盘,妊娠囊和甲状腺结节超声波数据集的性能.

主要成果:

• 在多个医学超声波数据集中,MCBL-UNet实现了优异的细分性能.
• 该模型在子系数和mIoU指标方面明显优于13种现有方法.
• 在高精度和低计算成本之间取得了平衡,仅使用1.31M参数和1.26G FLOP.

结论:

• MCBL-UNet为医疗超声波图像细分提供了高效准确的解决方案,特别是在资源有限的环境中.
• 将Mamba结构集成到医疗图像细分中是一个有前途的新方向.
• 该模型的有效性凸显了其在产前监测和诊断中的临床应用潜力.