EM-Net：基于Mamba的高效通道与频率学习用于3D医学图像分割
计算机视觉与模式识别
2024-09-27 v1
摘要
卷积神经网络主要驱动了3D医学图像分割，但可能受限于较小的感受野。Transformer模型通过自注意力机制在捕获全局关系方面表现出色，但在高分辨率下面临高计算成本挑战。最近，一种称为Mamba的状态空间模型（state space model）在序列建模中显现出良好效果。鼓舞其成功经验，我们引入一种新颖的基于Mamba的3D医学图像分割模型，称为EM-Net。该模型不仅通过整合和选择通道来高效捕获区域间的注意力交互，还能有效利用频率域来调和不同尺度特征学习的过程，同时加速训练速度。在两个具有挑战性的多器官数据集上进行的全面实验表明，我们的方法在保持更高分割精度的同时，需要的模型参数数量几乎是当前SOTA模型的一半，训练速度快2倍。
引用
@article{arxiv.2409.17675,
title = {EM-Net: Efficient Channel and Frequency Learning with Mamba for 3D Medical Image Segmentation},
author = {Ao Chang and Jiajun Zeng and Ruobing Huang and Dong Ni},
journal= {arXiv preprint arXiv:2409.17675},
year = {2024}
}
备注
10 pages, 3 figures, accepted by MICCAI 2024