.png){kind=icon}
返回
EVSSD: Efficient visual state space decoding for 2D medical image segmentation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.sigpro.2026.110760.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
Transformer在医学图像分割中因其自注意力机制有效捕获全局上下文信息而受到广泛关注。然而，自注意力要求所有像素间的成对交互，导致二次计算复杂度。这导致处理高分辨率医学图像时产生巨大的计算开销，对临床应用中的高效分割构成重大挑战。为解决此问题，我们提出了高效视觉状态空间解码（EVSSD）。EVSSD包含三个关键组件：高效上采样模块（EUM）、高效Mamba块（EMB）和引导融合模块（GFM）。EUM通过沿通道维度的像素混洗，以更少参数实现解码特征的高效上采样。EMB采用线性复杂度的视觉状态空间模型捕获图像的全局上下文信息。同时，GFM自适应利用解码特征引导并融合编码特征，有效弥合低级细节与高级语义间的差距。此外，我们采用多阶段聚合损失优化模型。实验结果表明，EVSSD在Synapse、Kvasir-Seg和ISIC2018等多模态（CT、内窥镜图像、皮肤镜图像）图像数据集上达到当前最佳性能。为方便复现，源代码可在https://github.com/XYQ1517/EVSSD获取。
Keyword:
Medical image segmentation
Efficient decoding
Visual state space model
Multi-stage aggregation loss
Multi-modal image datasets
期刊
IF:
3.6
论文数:
10.0K
被引数:
1.7W
机构
引用论文
I2U-Net: A dual-path U-Net with rich information interaction for medical image segmentationI2U-Net: 信息交互丰富的双路径u-net医学图像分割.png)
MEDICAL IMAGE ANALYSIS
MEDICAL IMAGE ANALYSISIF11.8
PREAI
分享收藏TransUNet: Rethinking the U-Net architecture design for medical image segmentation through the lens of transformersTransunnet: 通过变形金刚的镜头重新思考医学图像分割的u-net架构设计MEDICAL IMAGE ANALYSIS
OAAI
MEDICAL IMAGE ANALYSISIF11.8
OAAI分享收藏
Diff-UNet: A diffusion embedded network for robust 3D medical image segmentationDiff-UNet：一种用于鲁棒3D医学图像分割的扩散嵌入网络Medical Image Analysis
Medical Image AnalysisIF11.8
PREAI
分享收藏A new variational method for selective segmentation of medical images一种新的变分医学图像选择性分割方法SIGNAL PROCESSING
SIGNAL PROCESSINGIF3.6
PREAI
分享收藏A neighbor level set framework minimized with the split Bregman method for medical image segmentationSIGNAL PROCESSING
SIGNAL PROCESSINGIF3.6
PREAI
分享收藏
查看更多内容