MambaDiff:用于3D医疗图像分割的Mamba增强扩散模型.

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 准确的3D医学图像细分对于临床诊断和治疗规划至关重要.
• 扩散模型在医学图像细分方面显示出潜力,但由于条件引导弱和特征提取有限,在细粒度特征保护和结构一致性方面存在困难.
• 现有的方法往往无法捕捉复杂的细节,并在细分任务中保持空间完整性.

研究的目的:

• 开发一种先进的扩散模型,克服当前3D医学图像细分方法的局限性.
• 通过改进特征提取和条件信息集成,提高医学图像细分的准确性和结构一致性.
• 引入一种新的Mamba增强扩散模型,MambaDiff,用于在3D医疗图像分割中提供卓越的性能.

主要方法:

• 提出了MambaDiff,这是一个用于3D医疗图像细分的Mamba增强的扩散模型.
• 使用编码器从原始图像中提取多层次的语义特征.
• 集成的功能使用语义层次嵌入 (SHE) 机制,并结合了全球切片感知Mamba (GSPM) 层,以增强空间推理和特征提取.

主要成果:

• 在四个公共医疗图像细分数据集 (BraTS 2021,BraTS 2024,LiTS,MSD Hippocampus) 上,MambaDiff展示了与最先进的方法相比具有竞争力的性能.
• 拟议的模型实现了卓越的细分精度和结构一致性.
• 与现有方法相比,MambaDiff使用的参数数量显著减少,实现了这些结果.

结论:

• MambaDiff有效地解决了标准扩散模型在3D医疗图像细分中的局限性.
• 整合Mamba架构和拟议的SHE和GSPM机制显著增强了特征提取,并保持了结构完整性.
• 该模型为关键医疗图像细分任务提供了更有效和更准确的参数解决方案.