双Mamba:一种混合CNN-Mamba架构,用于从3D医学图像中对瘤进行细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算生物学 计算生物学

背景情况:

• 在3D医学图像中精确的瘤细分对于癌症诊断和治疗至关重要.
• 深度学习方法有希望,但与瘤形态多样性和低对比度作斗争.
• 现有的基于Mamba的方法在建模本地依赖性和跨道特征方面存在局限性.

研究的目的:

• 开发一个先进的深度学习架构,以改善3D瘤细分.
• 解决当前基于Mamba的方法在捕获本地和跨道特征关系方面的局限性.
• 提高瘤细分模型的准确性和概括能力.

主要方法:

• 提出了一个名为Dual-Mamba的CNN-Mamba混合架构,用于3D瘤细分.
• 引入了一个多尺度Mamba (MSM) 模块来建模多尺度的本地-全球上下文依赖性.
• 开发了一个空间通道Mamba (SCM) 模块,以增强跨通道的功能交互.

主要成果:

• 与多个数据集的现有方法相比,双马巴在多个数据集上表现出更高的性能.
• 拟议的架构在3D瘤细分方面取得了最先进的结果.
• 该模型在不同的数据集中表现出强大的概括能力.

结论:

• 新的双Mamba架构有效地提高了3D瘤细分的准确性.
• MSM和SCM模块成功地解决了模拟本地依赖和跨道特征的局限性.
• 双Mamba代表了医学图像分析的深度学习的重大进步.