一个高效的视觉mamba-变压器混合架构用于腹部多器官图像分割

科学领域:

• 医学成像分析 医学成像分析
• 人工智能在医学中的应用
• 计算机视觉 计算机视觉

背景情况:

• 准确的腹部多器官细分对于疾病诊断和治疗计划等临床应用至关重要.
• 现有的深度学习模型在平衡细分精度与计算效率方面面临挑战,尤其是复杂的图像数据.
• 不均的强度分布和复杂的解剖结构对当前的细分技术构成重大障碍.

研究的目的:

• 开发一种混合深度学习框架,以改善腹部多器官细分.
• 为了提高医疗图像分析中的细分精度和计算效率.
• 为了解决当前处理具有挑战性的图像特征的方法的局限性.

主要方法:

• 在基于变压器的编码器架构中集成一个高效视觉Mamba (EViM) 模块.
• 在EViM模块中利用基于隐藏状态混合器的状态空间二元性,以实现高效的全球上下文建模和通道智能交互.
• 利用交叉和雅卡德损失的加权组合来改进边界划定.

主要成果:

• 在Synapse数据集上获得了82.67%的Dice平均得分和16.36mm的HD95,超过了最先进的方法.
• 通过对ACDC心脏MR数据集的验证,在不同的成像模式中证明了可通用性.
• 成功集成全球和本地信息,以实现强大的细分性能.

结论:

• 拟议的混合框架为临床腹部多器官细分提供了一个实用且强大的解决方案.
• 该模型实现了高细分精度和计算效率,解决了该领域的关键挑战.
• 这种方法对推进自动化医疗图像分析和支持临床决策充满希望.