相关实验视频

Updated: Jan 17, 2026

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

马巴-Convolutional UNet用于多模式医疗图像合成

WenLong Lin¹, Yu Luo¹, Jie Ling¹

¹School of Computer Science and Technology, Guangdong University of Technology, Guangzhou, China.

Medical physics

|September 25, 2025

概括

本研究介绍了Mamba-Convolutional UNet用于多模式医疗图像合成,以有限的数据提高性能. 新型架构增强了跨模式合成,克服了数据稀缺的挑战.

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:

多模式医学成像对于手术前评估至关重要,但在数据采集和成本方面面临挑战.
获得足够的配对多模式数据来训练跨模式合成模型在后勤上是困难和昂贵的.

研究的目的:

开发一种新的双分支架构,Mamba-Convolutional UNet,用于高效的多模式医疗图像合成.
通过引入重新编程层,即使对配训练数据有限,也能够实现有效的交叉模式合成.

主要方法:

马巴-卷积UNet采用U形架构,并行Mamba (SSM) 和卷积分支.
马巴捕捉了远程依赖,而卷积则提取了局部特征;注意力机制将这些整合起来.
在Mamba模块中的一个重编程层促进了知识转移,用于用稀缺数据进行跨模式合成.

主要成果:

在五个合成任务和三个数据集中,Mamba-Convolutional UNet显著超过了六个基线模型.
该模型的性能与最先进的方法相美,只有25%的数据用于对新任务进行微调.

结论:

双分支的Mamba-Convolutional UNet有效地整合了全球和本地特征,实现了卓越的医疗图像合成.
在Mamba中的重编程层在数据有限的条件下解决了目标模式转换的挑战.

关键词:

马巴 - 转换性的UNet 多模式医疗图像合成技术重编程是重新编程.

更多相关视频

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

相关概念视频

Convolution: Math, Graphics, and Discrete Signals

Convolution: Math, Graphics, and Discrete Signals

In any LTI (Linear Time-Invariant) system, the convolution of two signals is denoted using a convolution operator, assuming all initial conditions are zero. The convolution integral can be divided into two parts: the zero-input or natural response and the zero-state or forced response, with t0 indicating the initial time.
To simplify the convolution integral, it is assumed that both the input signal and impulse response are zero for negative time values. The graphical convolution process...