.png){kind=icon}
返回
DGFE-Mamba: Mamba-Based 2D Image Segmentation Network
.png){kind=icon}
PRE
AI
DOI：10.1007/s42235-025-00711-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在医学图像处理领域，结合全局与局部关系建模构成了一种实现精确分割的有效策略。前期研究已证实卷积神经网络（CNN）在建模局部关系方面的有效性。相比之下，Transformer已展现出其有效捕捉全局上下文信息的能力。然而，当被用于弥补CNN在建模全局关系方面的局限性时，Transformer受到巨大的计算复杂度限制。为解决此问题，我们引入了Mamba，一种状态空间模型（SSM），其在序列数据的长距离依赖建模方面表现出卓越能力。鉴于Mamba在前期研究中已展现出在二维医学图像分割方面的潜力，我们设计了一种基于Mamba的双编码器全局-局部特征提取网络，命名为DGFE-Mamba，用以精确捕获并融合多尺度特征中的长距离依赖和局部依赖。相较于基于Transformer的方法，DGFE-Mamba模型在综合特征建模方面表现更优，并显著提升了分割精度。为验证DGFE-Mamba的有效性与实用性，我们在Automatic Cardiac Diagnosis Challenge（ACDC）数据集、Synapse多器官CT腹部分割数据集以及Colorectal Cancer Clinic（CVC-ClinicDB）数据集上进行了测试。结果显示，DGFE-Mamba分别实现了92.20、83.67和94.13的Dice系数。这些发现全面验证了所提DGFE-Mamba架构的有效性与实用性。
Keyword:
Medical image segmentation
Mamba
CNN
Attention Mechanism
期刊
IF:
5.8
论文数:
1.9K
被引数:
4.8K
机构
引用论文
Swin-Unet: Unet-Like Pure Transformer for Medical Image SegmentationSwin Unet: 用于医学图像分割的类Unet纯变压器
PREAI
分享收藏seUNet-Trans: A Simple Yet Effective UNet-Transformer Model for Medical Image Segmentation.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏H-DenseUNet: Hybrid Densely Connected UNet for Liver and Tumor Segmentation From CT VolumesH-denseunet: 混合密集连接的UNet，用于从CT体积中分割肝脏和肿瘤
OAAI
OAAI分享收藏Fcdnet: Fuzzy Cognition-Based Dynamic Fusion Network for Multimodal Sentiment AnalysisFcdnet：基于模糊认知的动态融合网络用于多模态情感分析
PREAI
分享收藏
查看更多内容