【论文阅读笔记】SegMamba: Long-range Sequential Modeling Mamba For 3D Medical Image Segmentation

最新推荐文章于 2024-05-30 10:04:28 发布
最新推荐文章于 2024-05-30 10:04:28 发布
阅读量907 收藏 2
点赞数 3
分类专栏： 医学图像分割 Mamba 文章标签： 论文阅读 笔记
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/cskywit/article/details/135857423
版权

24 Jan 2024 【开源】

论文提出 3D 医学图像分割Mamba模型，与基于 Transformer 的方法相比，SegMamba 在状态空间模型的整个体积特征建模方面表现出色，体积特征的分辨率为 64×64×64 。在BraTS2023数据集上进行验证。

图片已经画得很清楚，都是基本块组成，只是将transformer块中的CNN换成了mamba块。

image-20240126080804524

在BraTS2023 数据集实验效果

image-20240126081011148
cskywit
关注
  • 3
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
VM-UNet:视觉Mamba UNet用来医学图像分割 论文及代码解读
Philo的博客
02-26 9279
付费专栏，不定期分享最新医学图像分割论文，详细解读论文及代码，没有代码的论文不放在此专栏中！ 介绍了Mamba模型在医学图像分割领域的论文及相关代码，代码可直接复制使用
SelfGNN: Self-Supervised Graph Neural Networks for Sequential Re
最新发布
06-17
论文汇报内容
SegMamba: Long-range Sequential Modeling Mamba For 3D Medical Image Segmentation
价值知识传播者
01-29 623
最近作为状态空间模型（SSM）出现的Mamba，在序列建模中以其卓越的内存效率和计算速度在自然语言处理领域表现出色。受其成功启发，我们引入了SegMamba，一个新颖的3D医学图像分割模型，旨在有效地捕捉每个尺度上整个体积特征中的远距离依赖关系。与基于Transformer的方法相比，我们的SegMamba在整个体积特征建模方面表现出色，保持了卓越的处理速度，即使是在{}分辨率的体积特征上。对BraTS2023数据集的全面实验证明了我们SegMamba的有效性和效率。图1. 提出的SegMamba的概述。
探索医疗影像的未来：SegMamba，3D医学图像分割的新王者
gitblog_00091的博客
05-30 355
探索医疗影像的未来：SegMamba，3D医学图像分割的新王者 项目地址:https://gitcode.com/ge-xing/SegMamba 在当今医疗技术日新月异的时代，3D医学图像分割扮演着至关重要的角色，它不仅支撑着精准诊断和治疗计划的制定，更是推动了个性化医疗的发展。今天，我们要向您隆重推荐一个开源项目——SegMamba，这是一条蜿蜒于医学成像领域的高效序列表征巨蟒。 项目介绍 ...
Mamba杀入MICCAI 2024！SegMamba和Swin-UMamba均收录！
阿木寺的博客
05-14 1380
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：CVer5555，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！不出所料，Mamba+医学影像相关工作在MICCAI 2024上爆发性收录！早下手的同学赢麻...
文献翻译（Mamba-UNet: UNet-Like Pure Visual Mamba for Medical Image Segmentation）
m0_54187478的博客
02-23 3232
在医学图像分析的最新进展中，卷积神经网络（CNN）和视觉变换器（ViT）已经设定了重要的基准。前者擅长通过卷积运算捕捉局部特征，而后者通过利用自注意机制实现了显著的全局上下文理解。然而，这两种架构在有效地建模医学图像中的长程依赖性方面都存在局限性，这是精确分割的关键方面。受Mamba架构的启发，我们提出了Mamba UNet，这是一种将医学图像分割中的U-Net与Mamba的能力协同的新架构。
《Large Window-based Mamba UNet for Medical Image Segmentation:Beyond Convolution and Self-attention》
m0_74172965的博客
04-15 917
《Large Window-based Mamba UNet for Medical Image Segmentation:Beyond Convolution and Self-attention》全文翻译
Gamba：将高斯溅射与Mamba结合用于单视图3D重建
04-21 1038
We tackle the challenge of efficiently reconstructing a 3D asset from a single image with growing demands for automated 3D content creation pipelines. Previous methods primarily rely on Score Distillation Sampling (SDS) and Neural Radiance Fields (NeRF). D
BFO: Batch-File Operations on Massive Files for Consistent Performance Improvement
02-08
This singlefile pattern essentially serializes accesses to batched files one by one, resulting in a large number of non-sequential, random, and often dependent I/Os between file data and metadata at ...
动态机构设计：简介-研究论文
06-09
我们介绍了动态机制设计的最新发展，主要关注拟线性情况。 首先，我们描述了社会最优（或有效）的动态机制。 这些机制将众所周知的 Vickrey-Clark-Groves 和 D'Aspremont-Gérard-Varet 机制扩展到动态环境。...
Li-StoryGAN-A-Sequential-Conditional-GAN-for-Story-Visualization
12-25
Li-StoryGAN: A Sequential Conditional GAN for Story Visualization Li-StoryGAN是一种基于序列条件GAN的故事可视化模型，旨在从多句段落生成一系列图像，以描绘故事的整个过程。该模型具有深度上下文编码器、...
Fault-Modeling-of-Combinational-and-Sequential-Cir
08-25
论文作者M.S.Suma和K.S.Gurumurthy通过他们的研究工作表明，使用RTL故障模型能够实现与门级故障模型相当的故障覆盖率。这意味着，即使在较高的抽象层面上，也能有效地检测和定位电路中的故障，而不会牺牲测试质量。 ...
An on-line sequential learning method in social networks for node classification
02-10
An on-line sequential learning method in social networks for node classification
Paperlist-for-Recommender-Systems:我感兴趣的推荐系统论文清单
05-24
推荐系统论文清单调查文件基于深度学习的推荐系统：一项调查和新观点[2017] 基于深度学习的推荐系统研究概述[2018] [ ] 可解释的建议：一项调查和新观点[2018] 序列感知的推荐系统[2018] DeepRec：基于深度学习的...
ADAPTIVE-SEQUENTIAL-PREDICTION.rar_Prediction Adaptive_The Image
09-23
this is the code for adaptive sequential prediction of image. The image pixels can be predicted by from the predicted image and the error image. This is the best lossless image compression method.
0001-mnistTensorFlow:CNN-卷积神经网络
03-28
使用Tensorflow的简单CNN ...keras.models.sequential keras.layers.Conv2D keras.layers.flatten keras.layers.Dense # initialize and compile model model = Sequential () model . add ( Conv2D ( 64 , kerne
RuntimeError: Failed to run torchinfo. See above stack traces for more details. Executed layers up to: [VideoResNet: 1, BasicStem: 2, Conv3d: 3, BatchNorm3d: 3, ReLU: 3, Sequential: 2, BasicBlock: 3, Sequential: 4, Conv3DSimple: 5, BatchNorm3d: 5, ReLU: 5, Sequential: 4, Conv3DSimple: 5, BatchNorm3d: 5, ReLU: 4, BasicBlock: 3, Sequential: 4, Conv3DSimple: 5, BatchNorm3d: 5, ReLU: 5, Sequential: 4, Conv3DSimple: 5, BatchNorm3d: 5, ReLU: 4, Sequential: 2, BasicBlock: 3, Sequential: 4, Conv3DSimple: 5, BatchNorm3d: 5, ReLU: 5, Sequential: 4, Conv3DSimple: 5, BatchNorm3d: 5, Sequential: 4, Conv3d: 5, BatchNorm3d: 5, ReLU: 4, BasicBlock: 3, Sequential: 4, Conv3DSimple: 5, BatchNorm3d: 5, ReLU: 5, Sequential: 4, Conv3DSimple: 5, BatchNorm3d: 5, ReLU: 4, Sequential: 2, BasicBlock: 3, Sequential: 4, Conv3DSimple: 5, BatchNorm3d: 5, ReLU: 5, Sequential: 4, Conv3DSimple: 5, BatchNorm3d: 5, Sequential: 4, Conv3d: 5, BatchNorm3d: 5, ReLU: 4, BasicBlock: 3, Sequential: 4, Conv3DSimple: 5, BatchNorm3d: 5, ReLU: 5, Sequential: 4, Conv3DSimple: 5, BatchNorm3d: 5, ReLU: 4, Sequential: 2, BasicBlock: 3, Sequential: 4, Conv3DSimple: 5, BatchNorm3d: 5, ReLU: 5, Sequential: 4, Conv3DSimple: 5, BatchNorm3d: 5, Sequential: 4, Conv3d: 5, BatchNorm3d: 5, ReLU: 4, BasicBlock: 3, Sequential: 4, Conv3DSimple: 5, BatchNorm3d: 5, ReLU: 5, Sequential: 4, Conv3DSimple: 5, BatchNorm3d: 5, ReLU: 4, AdaptiveAvgPool3d: 2, Linear: 2]
05-12
这个错误信息表明在运行 torchinfo 时发生了错误，并且显示了模型中执行的图层序列。可能的原因是你的模型中存在不支持的图层或者输入数据的形状不正确。你可以检查你的输入数据的形状是否与模型期望的形状相同，以及模型中是否存在不支持的图层。另外，你还可以尝试使用其他的工具来检查模型的信息，例如模型可视化工具或者 PyTorch 的内置函数。
评论 3
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