LKM-UNet：用于医学图像分割的大核视觉 Mamba U 型网络
计算机视觉与模式识别
2024-06-26 v2 人工智能
摘要
在临床实践中，医学图像分割提供了关于目标器官或组织轮廓和尺寸的有用信息，有助于改进诊断、分析和治疗。在过去几年中，卷积神经网络（CNNs）和 Transformer 主导了这一领域，但它们仍然存在感受野有限或长程建模成本高昂的问题。Mamba 是一种状态空间序列模型（SSM），最近作为一种具有线性复杂度的长程依赖建模范式而崭露头角。在本文中，我们介绍了一种用于医学图像分割的大核视觉 Mamba U 型网络，即 LKM-UNet。LKM-UNet 的一个显著特征是其利用了大 Mamba 核，与基于小核的 CNN 和 Transformer 相比，其在局部空间建模方面表现出色，同时与具有二次复杂度的自注意力机制相比，在全局建模方面保持了卓越的效率。此外，我们设计了一种新颖的分层双向 Mamba 块，以进一步增强 Mamba 对视觉输入的全局和邻域空间建模能力。综合实验证明了使用大尺寸 Mamba 核以实现大感受野的可行性和有效性。代码可在 https://github.com/wjh892521292/LKM-UNet 获取。
引用
@article{arxiv.2403.07332,
title = {LKM-UNet: Large Kernel Vision Mamba UNet for Medical Image Segmentation},
author = {Jinhong Wang and Jintai Chen and Danny Chen and Jian Wu},
journal= {arXiv preprint arXiv:2403.07332},
year = {2024}
}
备注
Accepted by MICCAI 2024