基于Mamba的背景感知局部特征网络,用于提高船舶细节

科学领域:

• 医学成像医学成像
• 生物医学工程 生物医学工程
• 计算机视觉 计算机视觉 计算机视觉

背景情况:

• 准确的血管分析对于临床诊断和干预至关重要.
• 近红外II (NIR-II) 光成像提供了先进的可视化,但与低对比度深层血管作斗争.
• 在低对比度区域的血管细分仍然是医学成像中的一个重大挑战.

研究的目的:

• 开发一个先进的网络,用于精确的血管细分,特别是在具有挑战性的低对比度环境中.
• 为了提高NIR-II光成像用于详细的血管分析的实用性.
• 提高用于临床应用的细血管结构识别的准确性.

主要方法:

• 提出了CALFNet,一种类似于UNet的架构,包含一个ResNet编码器和一个基于Mamba的上下文感知模块.
• 利用全球船舶的上下文信息来改善低对比度区域的细分.
• 实现了一个功能增强模块,以保存和完善当地的血管细节.

主要成果:

• 与现有方法相比,CALFNet在NIR-II和可见光视网膜数据集上表现出更高的性能.
• 实现了更准确的船只细分,特别是在对比度较低的地区.
• 在细血管结构的细分方面展示了增强的稳健性.

结论:

• 卡尔夫网有效地对低对比度地区的船舶进行细分,优于比较方法.
• 该网络增强了NIR-II光成像用于血管分析的功能.
• 通过提高成像准确度,CALFNet为临床诊断和医疗干预提供了宝贵的支持.