将佩罗娜·马利克扩散与马巴结合起来,用于有效的儿科心声学左心室细分

科学领域:

• 医学成像
• 人工智能
• 心脏病学

背景情况:

• 精确的左心室细分对于评估心脏功能至关重要.
• 由于噪音和模糊性,回声心脏图像存在挑战,阻碍了精确的细分.
• 现有的方法往往缺乏效率, 误解背景噪声为心脏结构.

研究的目的:

• 介绍P-Mamba,一个有效的分段儿童心声左心室模型.
• 利用专家混合 (MoE) 和视觉Mamba (ViM) 层来提高计算和内存效率.
• 开发一种有效抑制噪声的方法,同时保留左心室的关键局部形状信息.

主要方法:

• P-Mamba将专家混合 (MoE) 与愿景Mamba (ViM) 层进行集成,以实现高效的全球依赖模型.
• 基于离散波形变换 (DWT) 的佩罗纳-马利克扩散 (PMD) 块用于噪声抑制和局部特征保存.
• 该模型将PMD的降噪和局部提示提取与Mamba高效的全球建模能力相结合.

主要成果:

• 在多个心声数据集上,P-Mamba取得了最先进的 (SOTA) 结果.
• 在儿科PSAX数据集上获得0. 922分,在儿科A4C数据集上获得0. 906分.
• 在一般的EchoNet-Dynamic数据集上获得0.931的子得分,超过现有模型.

结论:

• 在左心室回声分析中,P-Mamba 显示出卓越的准确性和效率.
• 该模型有效地解决了超声波图像中的噪音和模糊性所带来的挑战.
• 与当前的分段技术相比,P-Mamba具有显著的进步,特别是在儿科心脏评估方面.