DPM-UNet:一个基于Mamba的网络,具有动态感知功能增强功能,用于医疗图像细分
Shangyu Xu1,2,3, Xiaohang Liu1,2,3, Hongsheng Lei2,3
1Key Laboratory of Opto-Electronic Information Processing, Chinese Academy of Sciences, Shenyang 110016, China.
Sensors (Basel, Switzerland)
|November 27, 2025
概括
本研究介绍了用于医疗图像细分的DPM-UNet,有效地整合了本地和全球特征. 这种新的方法通过捕捉细节和远程依赖来提高准确性,优于现有的方法.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 有效的医疗图像细分需要整合本地和全球特征.
- 像CNN这样的现有方法在长距离依赖性方面扎,而变压器的计算成本很高.
- 状态空间模型 (SSM) 为长距离依赖性建模提供了线性复杂性的解决方案.
研究的目的:
- 提出DPM-UNet,一个用于医疗图像细分的新型网络.
- 通过SSM和其他模块,有效地融合本地和全球特征.
- 改进远程依赖和多尺度信息的建模.
主要方法:
- 开发了DPM-UNet,为本地特征采用双路径残留融合模块 (DRFM).
- 在深层中使用DPMamba模块进行全球语义信息和功能融合.
- 整合了一个多尺度聚合注意网络 (MAAN),以增强多尺度表示.
主要成果:
- DPM-UNet在三个公共数据集的医疗图像细分方面表现出卓越的表现.
- 该方法有效地捕获了局部细节,远程依赖关系和多层次信息.
- 超越了基于多个评估指标的现有最先进方法.
结论:
- 通过平衡本地和全球特征提取,DPM-UNet为医疗图像细分提供了有效的解决方案.
- 拟议的架构利用SSM来有效地建模远程依赖关系.
- 这些发现表明DPM-UNet是医疗图像分析任务的有希望的进步.
