UNet具有自适应的Mamba-like注意力和因果共振学习,用于医疗图像细分

科学领域:

• 医疗图像分析 医学图像分析
• 用于医学成像的深度学习
• 计算机辅助诊断是一种计算机辅助诊断.

背景情况:

• 目前用于医疗图像细分的深度学习模型在计算效率和准确性之间进行了权衡.
• 卷积神经网络 (CNN) 在局部特征提取方面表现出色,但在全球背景下扎.
• 变压器可以有效地捕捉全球环境,但会产生高的计算成本.
• 状态空间序列模型 (SSM) 为远程依赖提供线性复杂性,但在直接医学图像细分方面存在局限性.

研究的目的:

• 介绍SAMA-UNet,一种新的U形架构,旨在克服医疗图像细分现有模型的局限性.
• 通过自适应地整合本地和全球特征来提高医疗图像细分的效率和准确性.
• 为了增强编码器-解码器交互和语义对齐在不同的特征分辨率.

主要方法:

• 开发自适应的Mamba-like聚合注意力 (SAMA) 块,以动态整合本地和全球特征.
• 引入因果共振多尺度模块 (CR-MSM) 以改善特征分辨率和跨尺度的因果依赖性.
• 实施U形架构,利用这些新型模块进行医疗图像细分.

主要成果:

• 与基于CNN,变压器和Mamba的方法相比,SAMA-UNet在多个医学成像数据集 (MRI,CT,内镜) 中表现出更高的性能.
• 获得了高的子相似系数 (DSC) 和正常化表面子 (NSD) 评分,为BTCV,ACDC,EndoVis17和ATLAS23.3等数据集设定了新的基准.
• 在细分复杂的解剖学图案中得到验证的有效性,提高了效率和准确性.

结论:

• SAMA-UNet提供了一个有前途的解决方案,用于临床医学图像细分,有效地平衡效率和准确性.
• 拟议的SAMA块和CR-MSM模块是驱动该模型增强性能的关键创新.
• 该架构建立了新的最先进的结果,为更广泛的临床采用铺平了道路.