交换机-UMamba:动态扫描视觉Mamba UNet用于医疗图像分割
Ziyao Zhang1, Qiankun Ma1, Tong Zhang2
1Paul C. Lauterbur Research Center for Biomedical Imaging, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences, Shenzhen 518055, China; Pengcheng Laboratory, Shenzhen 518055, China; University of Chinese Academy of Sciences, Beijing 100049, China.
Medical image analysis
|September 17, 2025
概括
交换机-UMamba通过结合CNN和状态空间模型 (SSM) 来增强医疗图像细分. 这种新的方法改善了空间上下文的保存,并通过更少的参数实现了最先进的结果.
科学领域:
- 医学图像分析 医学图像分析
- 深度学习架构 深度学习架构
- 计算机视觉 计算机视觉
背景情况:
- 国家空间模型 (SSM),特别是Mamba,由于高效的远程依赖性捕获,在医疗图像细分方面表现出色.
- 由于静态的1D扫描模式,当前的Mamba模型在2D空间环境中扎.
研究的目的:
- 引入Switch-UMamba,这是一个混合的UNet框架,集成CNN和SSM,以改善医疗图像细分.
- 解决现有的Mamba模型在2D视觉特征的空间上下文保存方面的局限性.
主要方法:
- 开发了Switch-UMamba,这是一个结合卷积神经网络 (CNN) 和状态空间模型 (SSM) 的UNet框架.
- 使用了Switch视觉状态空间 (VSS) 模块,采用了一种新的混合扫描 (MoS) 方法.
- 在专家组合 (MoE) 框架内使用路由器实现了一个动态稀疏激活扫描机制.
主要成果:
- 在没有预先训练的权重的情况下,Switch-UMamba在多个医疗图像细分基准上实现了最先进的性能.
- 与其他基于Mamba的模型相比,拟议的模型表现出卓越的性能.
- 实现了空间信息获取的改进,并降低了计算成本.
结论:
- 交换机-UMamba有效地整合了本地和远程特征提取,以实现卓越的医疗图像细分.
- 采用动态扫描的MoS方法为推进基于SSM的细分模型提供了一个有希望的方向.
- 该框架通过提高效率和参数优化实现了具有竞争力的结果.
