创新点 性能提升:LKM-UNet在3D Abdomen CT数据集上的DSC和NSD分别达到了86.82和90.02,相较于其他方法有显著提升。 计算效率:通过使用大核Mamba设计,LKM-UNet在保持计算效率的同时实现了大感受野。 结构优化:LKM-UNet通过引入PiM和PaM,以及双向Mamba(BiM),在局部和全局特征建模方面均显示出优越性。论文2:...
1.基于多视图残差图融合的运动分支结构：由于UNet模型的轻量化设计，它可以减轻多分支网络引入的额外开销。因此，我们在UNet的骨干上构建了所提出的模型，如图2所示。所提出的运动焦点网络骨干由两个主要子分支组成，通过构建来自BEV视图和范围视图的两个残差图来提取运动特征。通过分析点云3D坐标系(x, y, z)的两...
UNet架构改进:将大核Mamba模块集成到UNet架构中,通过编码器和解码器实现多尺度特征提取和分割。 训练与优化:使用Adam优化器和学习率衰减策略,对模型进行1000次迭代训练,验证其在2D和3D医学图像分割任务中的性能。 创新点 性能提升:在3D Abdomen CT数据集上,LKM-UNet的DSC(Dice Similarity Coefficient)达到86.82%,优于...
HCMA-UNet: A Hybrid CNN-Mamba UNet with Inter-Slice Self-Attention for Efficient Breast Cancer Segmentation 方法:论文提出HCMA-UNet,将CNN的局部特征提取能力与Mamba的长序列建模能力结合到UNet架构中,通过多视图间切片自注意力模块(MISM)实现高效3D特征提取,提升乳腺癌病灶分割性能。 创新点: 提出HCMA-UNet网...
提出了大型内核 Mamba U 形网络 (LKM-UNet):作者提出了一种新的基于 Mamba 的 UNet 模型,用于 2D 和 3D 医学图像分割。这种模型利用 Mamba 的强大序列建模能力和线性复杂性,通过为 SSM 模块分配大内核来实现大感受野。 设计了新...
扩展如Unet++ [36]和CE-Net [10] 引入了复杂的模块,用于多尺度特征融合和上下文编码,以提高分割精度。除了卷积方法外,使用注意力机制捕获长程依赖关系的 Transformer 模型[31]如Vision Transformer [8],Medical Transformer [30]和TransUNet [5]已得到应用。3D分割 [15]和多维门控循环单元[2]在需要 Voxel 理解...
扩散模型在3D操作领域的应用广泛，其高效学习分布的能力使得精确的动作轨迹预测成为可能。尽管如此，这类模型通常依赖于大型参数UNet进行反向传播，作为策略网络在资源受限的设备上部署时面临挑战。近期，Mamba模型作为一种高效的建模方案崭露头角，它凭借低计算复杂度和强大的序列建模性能脱颖而出。在这项研究中，作者...
方法:论文介绍了LightM-UNet,这是一种基于Mamba的轻量级网络,它在2D和3D分割任务中实现了最先进的性能,仅包含100万个参数,与最新的基于Transformer的架构相比,参数数量降低了99%以上,并且GFLOPS也显著降低。 创新点: LightM-UNet:基于Mamba的轻量级网络,仅包含1M参数,比最新的基于Transformer的架构参数减少了99%以上,...
新颖的架构融合:Mamba-UNet结合了UNet的对称编码器-解码器风格架构和Mamba架构的能力,特别擅长处理长序列和全局上下文信息。这种融合在医学图像分割领域是创新的,旨在改进长距离依赖的建模。 纯视觉Mamba(VMamba)基础的编码器-解码器结构:该网络采用了基于纯视觉Mamba的编码器-解码器结构,并注入了跳跃连接以保留不同尺度...
VM-UNet: Vision Mamba UNet for Medical Image Segmentation 作者为Suncheng Xiang，上海交大助理教授 创新点：基于U-Net构建VM-UNet。应用VSS块作为基础块，但VSS块和其中核心操作SS2D都是直接从VMamaba拿过来。SegMamba: Long-range Sequential Modeling Mamba For 3D Medical Image Segmentation 作者单位为香港科技...