MsM-DPM:用于医疗图像分割的多尺度Mamba扩散概率模型

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:

• 传统的扩散概率模型 (DPM) 与不规则的医学图像结构和病变背景相似性作斗争.
• 准确的医学图像细分对于诊断和治疗规划至关重要.

研究的目的:

• 为增强医疗图像细分提出一个创新的多尺度Mamba DPM (MsM-DPM) 架构.
• 为了提高病变的形状和尺寸变化的稳定性.
• 为了更好地捕捉病变边界细节和语义差异.

主要方法:

• 开发了集成多尺度注意力融合模块 (MSAFM) 和多尺度拒绝UNet (Ms-DU) 的 MsM-DPM.
• 包含一个多层轴特征模块 (MLAFM),用于自适应的全球上下文聚合.
• 利用一个多层次的全球上下文 (MLGC) 模块来重建跳过连接,以及一个功能融合模块 (FFM) 来增强边界细节.

主要成果:

• MsM-DPM在六个不同的数据集 (LUNA16,ATM22,COVID-19,自收集,胰腺,BT-MSD) 中表现出卓越的表现.
• 架构有效地编码语义差异,改善了病变的特征表示.
• 在实验评估中超越了现有的医疗图像细分方法.

结论:

• 拟议的MSM-DPM在医疗图像细分的准确性和稳定性方面取得了重大进展.
• 新型架构有效地解决了复杂的医学成像场景中传统DPM的局限性.
• MsM-DPM在需要精确的病变细分的临床应用中表现有前途.