【论文阅读笔记】U-Mamba: Enhancing Long-range Dependency for Biomedical Image Segmentation

本文介绍了一种名为U-Mamba的新型网络结构,通过结合CNN的局部特征提取和SSM的长程依赖性,改进了生物医学图像分割。实验结果显示,U-Mamba在多个任务中超越了先进CNN和Transformer,特别是在CT和MR图像、内窥镜器械和细胞分割方面表现出色。
摘要由CSDN通过智能技术生成

Ma J, Li F, Wang B. U-Mamba: Enhancing Long-range Dependency for Biomedical Image Segmentation[J]. arXiv preprint arXiv:2401.04722, 2024. 【开源】

本文对Mamba结构用于图像领域进行了简单的探索,就结构来说没有特别多创新,就是插入了Mamba块,但可以遇见下一个坑的到来。

【核心思想】

将CNN的局部特征提取能力与状态空间序列模型(SSM)的长程依赖性能力相结合。这种混合的CNN-SSM块使网络能够有效处理长序列,并具有自适应机制以适应各种数据集。

在四个不同的任务上进行了广泛的实验:CT和MR图像中的3D腹部器官分割、内窥镜图像中的器械分割以及显微镜图像中的细胞分割。在所有这些任务中,U-Mamba都展示出了优于现有最先进的CNN和Transformer网络的性能。

【网络结构】

  • 基本结构

U-Mamba采用了一个编码器-解码器(encoder-decoder)的网络结构,这种结构能够同时捕获局部特征和长程上下文。它由两个主要部分组成:编码器和解码器。

  1. 编码器:U-Mamba的编码器部分由特殊的构建块组成,这些构建块包括两个连续的残差块(Residual blocks),后接一个基于SSM的Mamba块。这种设计使得网络能够在保持对局部特征的敏感性的同时,增强对长程依赖性的建模能力。
  2. 解码器
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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