Vision Mamba：医学图像分割的高效新突破！

Mamba架构在医学图像分割领域取得了显著进展。它通过结合CNN和Transformer的优势，有效解决了传统方法在长距离依赖建模上的不足，为精准医疗提供了更强大的技术支持，推动了医学图像分析的发展。

提出了一种基于Mamba的新型U-Net架构，通过引入选择性状态空间模型和多尺度卷积模块，显著提升了医学图像分割的精度和效率。

这种技术能够更精准地分割医学图像中的关键区域，提高疾病诊断的准确性，为患者带来更好的治疗效果。

我整理了10种【CMU结合】的相关论文，全部论文PDF版可以关注工棕号{AI因斯坦}

回复  “CMU结合”领取~

1.Surface Vision Mamba: Leveraging Bidirectional State Space Model for Efficient  Spherical Manifold Representation

文章针对非欧几里得数据处理难题，提出 Surface Vision Mamba（SiM）模型。将其应用于大脑皮质表面数据分析，经多任务实验，展现出在精度、速度和内存方面的优势，为相关研究提供新方向。

• 创新点

1.提出 SiM 模型，将 Vision Mamba 拓展到球面流形数据领域，为分析大脑皮质表面数据提供通用骨干网络。

2.探索不同输入序列长度对非欧几里得空间表面数据的影响，并进行自回归预训练，验证方法有效性。

3.在多个神经发育表型回归任务中，SiM 相比注意力和 GDL 模型，推理速度更快、内存消耗更低 。

• 研究结论

1.SiM 在神经发育表型预测任务中表现出色，在预测婴儿大脑年龄、语言和运动得分上优势明显。

2.模型对序列长度敏感，自回归预训练受样本量限制效果有限，但长序列有助于更精细分析。

3.SiM 推理速度快、内存消耗低，且具有可解释性，在医学研究和应用中潜力大。

全部论文PDF版可以关注工棕号{AI因斯坦}

回复  “CMU结合”领取~

2.VM-UNet: Vision Mamba UNet for Medical Image  Segmentation

文章针对 CNN 和 Transformer 在医学图像分割中的局限，提出基于状态空间模型的 VM-UNet。经多数据集实验，验证其在捕捉长距离信息和分割性能上的优势，为医学图像分割提供新选择。

• 创新点

1.首次提出基于纯状态空间模型的医学图像分割模型 VM-UNet，探索其在该领域的应用潜力。

2.采用 VSS 块作为核心模块，结合非对称编解码器结构，降低计算成本，提高分割性能。

3.在多个数据集上进行实验，为纯 SSM 模型在医学图像分割任务中建立了性能基线。

研究方法

• 研究结论

1.VM-UNet 在医学图像分割任务中表现出色，在多个指标上优于部分先进模型，具有竞争力。

2.预训练权重、Dropout 值和模型架构等因素对 VM-UNet 性能有显著影响。

3.未来可将 SSM 应用于更多医学成像任务，进一步探索其在医学领域的潜力。

全部论文PDF版可以关注工棕号{AI因斯坦}

回复  “CMU结合”领取~

3.A Fuzzy-Boundary Enhanced Trident Network for  Parcel Extraction in the Urban–Rural Area

文章针对城乡地区农田地块提取难题，提出 FBETNet 网络。融合多种策略与模块，经实验验证能增强模糊边界特征，提升多尺度地块提取精度，为城市管理提供更精准数据支持。

• 创新点

1.提出语义引导多任务（GMT）策略，增强模糊边界特征提取能力，优化地块边界检测。

2.设计多尺度三叉戟（MST）模块，考虑不同尺度地块特征，提高提取结果准确性。

3.采用对抗数据增强（ADA）策略，提升模型在不同场景下的鲁棒性和泛化能力。

• 研究结论

1.FBETNet 在地块提取任务中表现优异，在精度和可视化效果上超越对比方法，尤其擅长处理复杂形状和模糊边界地块。

2.经消融实验验证，GMT 策略、MST 模块和 ADA 策略均有效，且模块间相互补充，提升网络性能。

3.后续可进一步探索弱语义信息地块的提取，以提高模型对复杂语义信息地块的检测能力，优化实际应用效果。

全部论文PDF版可以关注工棕号{AI因斯坦}

回复  “CMU结合”领取~

顶会投稿交流群来啦！

欢迎大家加入顶会投稿交流群一起交流~这里会实时更新AI领域最新资讯、顶会最新动态等信息~