DMM-UNet:用于医学图像细分的双路径多尺度Mamba UNet
Liquan Zhao1, Mingxia Cao1, Yanfei Jia2
1Northeast Electric Power University, Key Laboratory of Modern Power System Simulation and Control and Renewable Energy Technology, Ministry of Education, Information and Communication Engineering, Jilin, China.
Journal of medical imaging (Bellingham, Wash.)
|October 2, 2025
概括
双路径多尺度Mamba UNet (DMM-UNet) 模型通过有效地整合本地和全球特征来增强医疗图像细分. 这种新的方法改善了多尺度的细节提取和上下文信息融合,以获得更好的细分性能.
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:
- 状态空间模型在医疗图像细分中为远程依赖提供线性复杂性.
- 现有的模型难以捕捉地方特征,限制了多尺度细节提取和全球-本地信息集成.
研究的目的:
- 为了引入双路径多尺度Mamba UNet (DMM-UNet) 模型.
- 解决状态空间模型在捕捉局部特征和整合医疗图像细分的多尺度上下文信息方面的局限性.
主要方法:
- 开发了一个U形的编码器-解码器框架,深度融合了本地和全球特征.
- 在编码器中引入了多级通道注意力选择性扫描块,用于同时进行远程和局部依赖模型.
- 在解码器中设计了空间注意力选择性扫描块,用于精确的语义特征聚合.
- 实施了多维协作注意层,以实现跨空间通道特征交互.
主要成果:
- 在ISIC17,ISIC18,Synapse上达到89.88%,在ACDC数据集上达到90.52%,在Synapse上达到83.07%,在ACDC数据集上达到92.60%.
- 在基准数据集上的多个评估指标上表现出强的表现.
结论:
- DMM-UNet模型成功地整合了本地和全球特征,克服了国家空间模型的局限性.
- 拟议的架构增强了多级特征融合,并改善了医学成像中的细分性能.
- 对于先进的医学图像细分任务,DMM-UNet提供了一个有前途的解决方案.
