M $^{2}$ SegMamba:基于Mamba的不完整的多模式学习以少数样本进行脑瘤细分
IEEE journal of biomedical and health informatics
|August 20, 2025
概括
这项研究介绍了M2SegMamba,一个使用Mamba和蒙面自编码网络进行脑瘤细分的新框架. 它有效处理不完整的多模式MRI数据和小样本大小,提高分段精度.
科学领域:
- 医学成像
- 人工智能
- 计算生物学
背景情况:
- 精确的脑瘤细分对于临床诊断和治疗至关重要.
- 多模磁共振成像 (MRI) 提供了丰富,互补的数据,但面临着不完整的模式和小样本大小的挑战.
- 现有的多模式细分方法面临着数据稀缺和缺失的成像序列问题.
研究的目的:
- 开发一个强大的框架 (M2SegMamba) 用多模式MRI进行脑瘤细分,特别解决不完整的数据和小样本的挑战.
- 利用Mamba和蒙面自编码网络进行监督和自我监督的学习.
- 增强跨模式和跨模式图像特征的交互和整合.
主要方法:
- 设计了M2SegMamba框架,整合了Mamba和蒙面自动编码器网络.
- 开发了一种针对多模式脑瘤的专用掩护策略,
- 通过使用Mamba实现了增强模式间和模式间功能交互的多通道方法.
- 将TSmamba纳入跳转连接以实现高效的多式联网功能集成.
- 在编码器和解码器中使用辅助调节器来提高对不完整模式的稳定性.
主要成果:
- 与最先进的方法相比,M2SegMamba在脑瘤细分任务中表现出更好的表现.
- 这一框架即使在2018年和2020年BraTS数据集中缺少模式,也实现了高准确性.
- 结果表明处理不完整的多模式MRI数据的细分显著改善.
结论:
- M2SegMamba为脑瘤细分提供了强大而有效的解决方案,特别是在具有不完整多式数据和有限样本的具有挑战性的临床场景中.
- 拟议的框架通过提高细分精度和可靠性来推动医疗图像分析领域的发展.
- 这项研究强调了基于Mamba的架构在复杂的医学成像任务中的潜力.
