弱马巴-UNet:视觉马巴使CNN和ViT更好地适用于基于Scribble的医疗图像细分

科学领域:

• 医学成像中的深度学习应用.
• 计算机视觉和图像分析.
• 弱监督的学习方法.

背景情况:

• 深度学习显著推进了医疗图像细分,但需要大量的注释数据,增加成本.
• 现有的弱监督学习 (WSL) 方法在精确细分方面扎,使用有限的注释,如涂.

研究的目的:

• 推出Weak-Mamba-UNet,一个创新的WSL框架用于医疗图像细分.
• 利用多样化的深度学习架构 (CNN,ViT,VMamba) 进行增强的细分,并尽量减少注释.
• 为了解决医学成像中数据注释的高成本.

主要方法:

• 提出了一个新的WSL框架,Weak-Mamba-UNet,集成U-Net (CNN),Swin-UNet (ViT) 和Mamba-UNet (VMamba) 架构.
• 采用了协作和交叉监督机制,用于代网络改进的伪标签.
• 使用基于涂的注释来进行培训和验证.

主要成果:

• 与使用仅U-Net或Swin-UNet的基线WSL方法和框架相比,弱马巴-UNet表现优越.
• 该框架实现了有效的医疗图像细分,使用稀疏和不精确的注释.
• 在两个公共数据集上验证,显示了细分精度的显著改进.

结论:

• 微弱-Mamba-UNet提供了一个有前途的解决方案,用于成本效益的医疗图像细分.
• 整合Visual Mamba架构显示了在细分任务中处理远程依赖的潜力.
• 这种WSL方法在具有有限注释医疗数据的场景中尤为有价值.