愿景Mamba 通过动态域泛化来实现跨模式医疗细分的动态域泛化
Yan Shi1,2, Cheng Guo1,3, Ziang Xu4
1School of Computer Science and Information Engineering, Bengbu University, Bengbu, Anhui, China.
Journal of imaging informatics in medicine
|October 16, 2025
概括
这项研究引入了使用Vision Mamba和动态域泛化进行跨模态医疗图像细分的新框架. 它提高了对不同成像模式的细分精度和概括性,解决了先前方法的局限性.
科学领域:
- 医学图像分析 医学图像分析
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算机视觉 计算机视觉
背景情况:
- 深度学习在医疗图像细分方面表现出色,但在领域转移方面扎,特别是在跨模式任务中.
- 现有的无监督域适应 (UDA) 和域泛化 (DG) 方法存在局限性,包括UDA的数据采集挑战和DG的解剖学先验.
研究的目的:
- 提出一个新的跨模式医疗图像细分框架.
- 增强跨不同医学成像模式的模型概括性.
- 解决医疗成像当前UDA和DG技术的局限性.
主要方法:
- 将Vision Mamba模型与动态域概括集成.
- 使用双向状态空间序列建模,贝齐尔曲线式增强和双重规范化来实现特征对齐和融合.
- 介绍了VEBlock模块,该模块将Mamba的动态序列建模与对交叉模式依赖的非本地关注相结合.
主要成果:
- 在BraTS 2018和心脏数据集上的交叉模式细分性能显著改善.
- 在T2→T1任务中获得了56.22%的Dice平均得分,表现比基线高1.78%.
- 减少瘤边界的豪斯多夫距离为13.26毫米,并优化心脏CT→MRI豪斯多夫距离为27.34毫米.
结论:
- 拟议的框架显示了跨模式医疗图像细分的强大概括能力.
- 有效地解决与医疗成像领域的领域转移和解剖学先验相关的挑战.
- 提供了一种有前途的方法来提高跨多种医学成像模式的细分精度和可靠性.
