CMT-Unet:利用各阶段的混合框架,提高医疗图像细分的准确性和效率

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:

• 准确的医疗图像细分需要平衡本地细节保护和全球上下文建模.
• 现有的卷积,变压器和混合架构在适应性地管理这些双重要求方面面临挑战.
• 在医学诊断中,需要高效和精确的像素级细分是非常重要的.

研究的目的:

• 推出CMT-Unet,一种用于高精度医疗图像分割的新型混合架构.
• 通过使用基于Mamba的状态空间模型,实现本地和全球特征建模之间的自适应平衡.
• 为了增强捕获细粒度的局部细节和远程的上下文依赖性.

主要方法:

• 开发了CMT-Unet,将倒置剩余卷积单元与Mamba和变压器模块集成到一个层次结构中.
• 集成的Mamba用于自适应的局部-全球特征建模和HiLo注意力用于高频和低频信息捕获.
• 采用分阶段集成策略,与编码器从空间抽象到语义抽象的进展保持一致.

主要成果:

• 与基线Transformer-UNet和其他Synapse和ACDC数据集上的混合模型相比,CMT-Unet显示出具有竞争力的效率和准确性.
• 该架构有效地捕捉了本地和全球特征,同时管理了计算复杂性.
• HiLo的注意力成功地补充了纹理和边界线索,改善了细分质量.

结论:

• CMT-Unet为先进的医疗图像细分提供了可行的和强大的解决方案.
• 特定阶段的混合设计代表了改善细分性能的一个有希望的方向.
• 当地和全球特征的自适应平衡是实现高精度医疗图像细分的关键.