Mamba 架构+医学图像分割 25年必将迎来新爆发！

最新推荐文章于 2025-03-06 18:00:00 发布
最新推荐文章于 2025-03-06 18:00:00 发布
阅读量1.5k 收藏 16
点赞数 21
文章标签： Mamba 曼巴 图像分割 医疗图像分割
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2401_88556812/article/details/144258797
版权

2024深度学习发论文&模型涨点之——曼巴+医疗图像分割

曼巴（Mamba）结合医疗图像分割是一种新兴的技术，曼巴架构以其在处理长序列和全局上下文信息方面的能力以及作为状态空间模型的计算效率的提高而闻名。它能够有效地建模医学图像中的长程依赖性，这对于精确分割是一个关键方面。

比如Mamba-UNet是一种新颖的架构，它结合了U-Net和曼巴的能力。这种架构采用了基于纯视觉曼巴（VMamba）的编码器-解码器结构，并注入跳跃连接以保留不同规模网络的空间信息。这种设计促进了全面的特征学习过程，捕获医学图像中复杂的细节和更广泛的语义上下文。

我整理了一些曼巴+医疗图像分割【论文+代码】合集，需要的同学公人人人号【AI创新工场】自取

论文精选

论文1：

Mamba-UNet: UNet-Like Pure Visual Mamba for Medical Image Segmentation

Mamba-UNet：用于医学图像分割的UNet风格的纯视觉Mamba

方法

  • 纯视觉Mamba（VMamba）基础的编码器-解码器结构：采用基于VMamba的编码器-解码器结构，通过跳跃连接保留不同尺度上的空间信息。

  • 特征学习：通过综合特征学习过程，捕获医学图像中的复杂细节和更广泛的语义上下文。

  • 新型集成机制：在VMamba块内引入新型集成机制，确保编码器和解码器路径之间的无缝连接和信息流动。

图片

创新点

  • 结构设计：Mamba-UNet在ACDC MRI心脏分割数据集和Synapse CT腹部分割数据集上的表现超过了多种UNet变体，具体表现为在相同超参数设置下的性能提升。

  • 性能提升：在ACDC数据集上，Ma

最低0.47元/天 解锁文章
Ai多利
关注
MSV-Mamba: 用于超声心动图分割的多尺度视觉Mamba网络
qq_40379132的博客
03-30 496
超声心动图图像分割在分析心脏功能和诊断心血管疾病中起着至关重要的作用。超声成像经常面临诸如高噪声水平、低时空分辨率以及解剖结构复杂性等挑战。这些因素显著阻碍了模型准确捕捉和分析心脏各区域的结构关系和动态模式的能力。Mamba作为一种新兴模型，是目前最前沿的方法之一，广泛应用于各种视觉和语言任务。它能够以线性复杂度高效捕捉全局信息，并弥补了卷积神经网络（CNN）和传统Transformer的不足。
参数仅有0.049M！基于Mamba的医学图像分割新SOTA来了！
学姐带你玩AI的博客
04-09 4230
目前，基于CNN和Transformer的医学图像分割面临着许多挑战。比如CNN在长距离建模能力上存在不足，而Transformer则受到其二次计算复杂度的制约。相比之下，Mamba的设计允许模型在保持线性计算复杂度的同时，仍然能够捕捉到长距离的依赖关系。因此，更有效地处理医学图像中复杂的结构和模式。以上海交大提出的VM-UNet为例：作为首个将Mamba结构融入UNet的模型，VM-UNet引入了视觉态空间（VSS）块作为基础块以捕捉广泛的上下文信息，并构建了一个非对称的编码器-解码器结构。
Mamba 架构在医学图像分析中的全面综述：分类、分割、重建及其他应用
2301_81940605的博客
10-06 8266
Mamba 架构在医学图像分析中的全面综述：分类、分割、重建及其他应用
LightM-UNet：Mamba 辅助的轻量级 UNet 用于医学图像分割
AI浩
04-11 4583
UNet [16]，作为医学图像分割领域一个广为人知的算法，在涉及医学器官和病灶的各种分割任务中得到了广泛应用，涵盖了多种医学图像模态。其对称的U形编解码器架构与整体的跳跃连接为分割模型奠定了基础，催生了一系列基于U形结构的研究工作 [8,15,18]。然而，作为基于卷积神经网络（CNN）的模型，UNet受限于卷积操作的固有局部性，这限制了其理解显式全局和长距离语义信息交互的能力 [2]。一些研究尝试通过采用空洞卷积层 [5]、自注意力机制 [19] 和图像金字塔 [25] 来缓解这一问题。
bmanba:黑曼巴PHP框架（科比.布莱恩特）
05-24
Bmamba 介绍 Bmamba PHP Framework 黑曼巴框架，框架采用MVC架构设计，开包即用，简单高效，快速开发，简洁搭建！ 软件架构 软件架构说明 安装教程 xxxx xxxx xxxx 使用说明 xxxx xxxx xxxx 参与贡献 Fork 本仓库 新建 Feat_xxx 分支 提交代码 新建 Pull Request 码云特技 使用 Readme_XXX.md 来支持不同的语言，例如 Readme_en.md, Readme_zh.md 码云官方博客 你可以 这个地址来了解码云上的优秀开源项目 全称是码云最有价值开源项目，是码云综合评定出的优秀开源项目 码云官方提供的使用手册 码云封面人物是一档用来展示码云会员风采的栏目
【有啥问啥】曼巴大战变形金刚：号称超越Transformer架构的Mamba架构是什么？
Chauvin的博客
08-15 2353
Mamba 是一种新兴的深度学习架构，旨在解决长序列数据的建模问题。它通过将状态空间模型 (State Space Models, SSM) 与选择性机制、并行计算等方法相结合，实现了高效的长序列处理。这篇博客将深入探讨 Mamba 架构的各个组成部分，解释其背后的原理。
Vision Mamba：高分辨率图像处理新标杆
2501_90976089的博客
03-06 1111
Vision Mamba在处理高分辨率图像时展现出显著优势，其子二次方复杂度设计使其在推理速度和GPU内存占用上优于Vision Transformer。通过选择性状态空间模型和双向扫描策略，Vision Mamba能够高效捕捉图像的局部和全局信息，显著提升模型性能。在处理长序列数据时，Mamba模型通过状态压缩和递归更新机制，有效降低了计算复杂度，减少了内存消耗。此外，引入位置嵌入增强了模型对空间信息的感知能力，使其在密集预测任务（如语义分割）中表现尤为出色。这种高效性不仅适用于图像处理，还为处理视频等长
LightM-UNet：Mamba轻量级UNet进行医学图像分割
winner_liuhuan的博客
08-12 1683
UNet及其变体已成功地应用于医学图像分割中，并取得了较好的效果.然而，这些模型，尤其是基于Transformer架构的模型，由于其大量参数和计算负载而带来了挑战，使得它们不适合移动的健康应用。最近，以Mamba为代表的状态空间模型（SSM）已经成为CNN和Transformer架构的竞争性替代方案。在此基础上，我们在UNet中使用了Mamba作为CNN和Transformer的轻量级替代品，旨在解决真实的医疗环境中计算资源限制所带来的挑战。
Mamba入局遥感图像分割 | Samba: 首个基于SSM的遥感高分图像语义分割框架
专注计算机视觉全栈知识分享
04-05 1882
本文介绍了Samba，一种基于Mamba的高分辨率遥感图像语义分割框架，标志着Mamba在该领域的首次应用。通过在LoveDA数据集上性能的评估，Samba超越了最先进的CNN-based和ViT-based的方法，设定了新的性能基准，并展示了Mamba架构在高分辨率遥感影像语义分割中的有效性和潜力。如果你对本文有任何的观点或疑问，欢迎评论区下方留言讨论。同时也欢迎对前沿AI技术感兴趣的同学扫添加微信好友: cv_huber，备注“交流学习”即可。
医学图像分割中Mamba架构的应用进展：融合局部与全局特征的创新解决方案
04-11
内容概要：本文详细介绍了Mamba架构在医学图像分割领域的应用及其优势。Mamba架构通过状态空间模型（SSM）将特征图沿空间维度展开为序列，从而实现高效的全局信息整合。文中对比了传统CNN和Transformer的局限性，...
基于Mamba的医学图像分割创新方案及其应用
最新发布
04-21
内容概要：本文探讨了基于Mamba的医学图像分割技术的发展现状与改进方案。首先指出传统的CNN和Transformer在医学图像分割中存在的局限性，如CNN难以捕捉长距离依赖关系，Transformer计算复杂度过高等问题。接着介绍...
MambaClinix：3D医学图像分割新网络！分层门控卷积和基于Mamba的U-Net
阿木寺的博客
09-26 1056
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达点击进入—>【Mamba和医学影像】交流群添加微信号：CVer111，小助手会拉你进群！扫描下方二维码，加入CVer学术星球！可以获得最新顶会/顶刊上的论文idea和CV从入门到精通资料，及最前沿应用！发论文/搞科研/涨薪，强烈推荐！转载自：极市平台导读MambaClinix通过自适应分阶段设计将多层级CNN的高阶空间交互...
GroupMamba实战：使用GroupMamba实现图像分类任务（一）
AI浩
07-29 5299
EMA是一种加权移动平均技术，其中每个新的平均值都是前一个平均值和当前值的加权和。在深度学习中，EMA被用于模型参数的更新，以减缓参数在训练过程中的快速波动，从而得到更加平滑和稳定的模型表现。
【2024| Mamba 】遥感图像语义分割——RS^3 Mamba！！论文解读
985小水博的摸鱼日常
09-11 3491
RS3Mamba: Visual State Space Model for Remote Sensing Image Semantic Segmentation
CV | 医学影像上的图像分割模型调研【更新于20240417】
weixin_44649780的博客
03-04 2173
mamba相关的图像分割：VM-Unet,ManbaUnet,BRAUUnet,EGE。
【Mamba】医学图像分割的Mamba评估指标参考（更新中...）
Edward的博客
04-16 1628
医学图像分割的Mamba评估指标参考
mamba医学图像分割代码
03-02
### Mamba 医学图像分割 示例代码 为了展示如何利用Mamba技术进行医学图像分割，下面提供了一个简化版的Python代码示例。此代码基于LightM-UNet框架进行了改进，旨在提高处理效率并增强特征提取能力。 ```python import torch from torch import nn, optim import torchvision.transforms as transforms from PIL import Image class LightM_UNet(nn.Module): def __init__(self, in_channels=1, out_channels=1): super(LightM_UNet, self).__init__() # 定义编码器部分 self.encoder = nn.Sequential( nn.Conv2d(in_channels, 64, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=2, stride=2), nn.Conv2d(64, 128, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=2, stride=2) ) # 中间层 self.middle = nn.Sequential( nn.Conv2d(128, 256, kernel_size=3, padding=1), nn.ReLU(inplace=True) ) # 解码器部分 self.decoder = nn.Sequential( nn.Upsample(scale_factor=2, mode='bilinear', align_corners=True), nn.Conv2d(256, 128, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.Upsample(scale_factor=2, mode='bilinear', align_corners=True), nn.Conv2d(128, 64, kernel_size=3, padding=1), nn.ReLU(inplace=True) ) # 输出层 self.out_conv = nn.Conv2d(64, out_channels, kernel_size=1) def forward(self, x): encoded_features = self.encoder(x) mid_features = self.middle(encoded_features) decoded_features = self.decoder(mid_features) output = self.out_conv(decoded_features) return output def preprocess_image(image_path): transform = transforms.Compose([ transforms.Resize((256, 256)), transforms.ToTensor() ]) image = Image.open(image_path).convert('L') # 转换成灰度图 tensor_image = transform(image).unsqueeze_(0) # 添加批次维度 return tensor_image if __name__ == "__main__": model = LightM_UNet().cuda() if torch.cuda.is_available() else LightM_UNet() optimizer = optim.Adam(model.parameters(), lr=1e-4) criterion = nn.BCEWithLogitsLoss() sample_input = preprocess_image('./sample_medical_image.png') target_mask = preprocess_image('./target_mask.png') if torch.cuda.is_available(): sample_input, target_mask = sample_input.cuda(), target_mask.cuda() prediction = model(sample_input.float()) loss = criterion(prediction, target_mask.float()) print(f'Initial Loss: {loss.item()}') optimizer.zero_grad() loss.backward() optimizer.step() final_prediction = (torch.sigmoid(prediction) > 0.5).float() ``` 上述代码实现了基本的训练流程以及前向传播过程[^3]。需要注意的是，在实际应用中还需要考虑更多细节，比如数据预处理、损失函数的选择、评估指标的设计等方面。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值