德玛曼巴:双分支视觉曼巴架构,具有线性复杂性,用于高效的皮肤损伤分类
Zhongyu Yao1, Yuxuan Yan2, Zhe Liu1
1Department of Computer Science, City University of Hong Kong, Hong Kong SAR, China.
Bioengineering (Basel, Switzerland)
|October 29, 2025
概括
DermaMamba是一种新的双分支架构,通过融合卷积神经网络 (CNNs) 和视觉mamba (VMamba) 来增强皮肤病变的分类. 这种方法实现了高精度和效率,超过了临床使用的现有方法.
科学领域:
- 皮肤病学和人工智能研究
- 医学图像分析 医学图像分析
- 计算机视觉 计算机视觉
背景情况:
- 准确的皮肤病变分类对于早期检测恶性黑色素瘤至关重要.
- 卷积神经网络 (CNN) 在局部特征方面表现出色,但缺乏全球背景.
- 视觉转换器 (ViT) 提供全球背景,但具有高的计算成本 (O(n^2).
研究的目的:
- 开发DermaMamba,一个高效的双分支架构用于皮肤病变分类.
- 将CNN集成到本地特征和Vision Mamba (VMamba) 中,以实现高效的全球上下文建模.
- 提高诊断准确度和计算效率,用于临床部署.
主要方法:
- 拟议的DermaMamba:一个双分支的融合架构,将CNN和Vision Mamba (VMamba) 结合起来.
- 引入了一个状态空间融合机制,具有适应权重,用于动态特征平衡.
- 通过多方向扫描和ABCDE规则集成,集成医疗领域的知识.
- 根据ISIC数据集进行评估.
主要成果:
- 实现了92.1%的准确性,91.7%的精度,91.3%的回忆率和91.5%的mac-F1得分.
- 以2.0%的准确度超越了最好的基线.
- 演示了2.3倍的推理加快和40%的记忆减少.
- 显示了统计学上显著的改善 (p < 0.001,科恩的d > 0.8) 并在具有挑战性的情况下保持了表现.
结论:
- DermaMamba有效地平衡了本地和全球特征,以优越地对皮肤病变进行分类.
- 该模型提供了显著的诊断准确性和计算效率.
- 在资源有限的环境中,DermaMamba为临床部署提供了一个有前途的解决方案.
