MambaMatch:一个半监督的脊髓皮质和状骨分割的新型模型
IEEE transactions on medical imaging
|February 23, 2026
概括
MambaMatch是一个新的半监督学习框架,通过使用具有高级特征提取和数据增强的教师-学生模型来改善脊柱手术的骨细分. 它在临床成像中实现了高精度和高效率.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 皮层和结节骨的精确细分对于安全的断层切除手术至关重要.
- 有限的注释和高度的解剖学相似性在当前的骨分割方法中带来了重大挑战.
研究的目的:
- 提出MambaMatch,一个端到端的半监督细分框架,以应对骨细分方面的挑战.
- 增强特征提取和多样性,以提高细分精度.
主要方法:
- 利用一个教师-学生范式,使用一个Mamba-ASPP-Unet (MAU) 学生模块,集成多层次的Atrous空间金字塔聚合 (ASPP) 和注意力机制.
- 实施了双流扰动策略,包括关联引导的CutMix增强 (CGCA) 和标准增强.
- 引入了动态值和温度缩放,以适应性地管理伪标签的可靠性和一致性损失.
主要成果:
- 在CT皮质-置数据集上获得了79.69%的mIoU和83.57%的子.
- 在各种数据集中表现出强大的稳定性,包括MRI-SPIDER,SKIN-ISIC 2018,PH2和CT-VerSe.
- 马巴马奇模型被证明是轻量级和高效的.
结论:
- MambaMatch提供了一种有效且准确的骨分割解决方案,有可能支持脊柱手术中的临床工作流程.
- 该框架在各种临床成像场景中具有广泛的适用性.


