多样性增强的协作Mamba用于半监督的医疗图像细分
IEEE transactions on medical imaging
|August 21, 2025
概括
我们介绍DCMamba, 一个半监督医疗图像细分的新框架. 它通过利用数据,网络和功能多样性显著提高了细分精度,超过了现有的方法.
科学领域:
- 医学图像分析
- 计算机视觉
- 机器学习
背景情况:
- 获得高质量的注释医疗数据是昂贵且耗时的.
- 半监督学习通过使用未标记的数据进行伪标记来减少注释负担.
- 像Mamba这样的国家空间模型擅长捕捉远程依赖性.
研究的目的:
- 探索半监督医疗图像细分中的先进状态空间模型的潜力.
- 提出一个新的框架,DCMamba,增强跨数据,网络和功能的多样性.
主要方法:
- 开发了针对Mamba扫描的弱强混合增强.
- 引入多种扫描协作模块以利用定向预测差异.
- 实施不确定性加权对比学习以丰富特征表示多样性.
主要成果:
- 在半监督的医疗图像细分中,DCMamba表现出卓越的性能.
- 与最新的基于SSM的方法相比,在Synapse数据集上取得了6.69%的改进,标记数据为20%.
结论:
- DCMamba有效地利用数据,网络和功能多样性来改进半监督细分.
- 拟议的框架为有效的医疗图像细分提供了有希望的方向.


