MedSegMamba：用于大脑分割的 3D CNN-Mamba 混合架构
摘要
广泛使用的传统皮层下大脑分割流程通常效率低下且速度缓慢，特别是在处理大型数据集时。此外，由于 MRI 图像的高分辨率和涉及的大量解剖类别，深度学习模型面临挑战。为了解决这些局限性，我们开发了一种基于 3D patch 的混合 CNN-Mamba 模型，该模型利用 Mamba 的选择性扫描算法，从而提高了 3D 输入的分割准确性和效率。这项回顾性研究利用了来自健康个体的多样化、多站点数据集的 1784 次 T1 加权 MRI 扫描。数据集被分为训练集、验证集和测试集，比例为 1076/345/363。扫描是从 1.5T 和 3T MRI 机器上获得的。我们使用 FreeSurfer 生成的真实标签，针对几个基准（包括其他 CNN-Mamba、CNN-Transformer 和纯 CNN 网络）验证了我们模型的性能。我们采用 Dice 相似系数 (DSC)、体积相似度 (VS) 和平均对称表面距离 (ASSD) 作为评估指标。使用 Wilcoxon 符号秩检验确定统计学显著性，阈值为 P < 0.05。所提出的模型在所有指标上均取得了最高的总体性能（DSC 0.88383；VS 0.97076；ASSD 0.33604），显著优于所有非基于 Mamba 的模型（P < 0.001）。虽然与另一个基于 Mamba 的模型相比，该模型在 DSC 或 VS 方面没有显示出显著改善（P 值分别为 0.114 和 0.425），但它在 ASSD 方面表现出显著提升（P < 0.001），且参数量减少了约 20%。总之，我们提出的混合 CNN-Mamba 架构为 3D 皮层下大脑分割提供了一种高效且准确的方法，展现出优于现有方法的潜在优势。代码可在：https://github.com/aaroncao06/MedSegMamba 获取。
引用
@article{arxiv.2409.08307,
title = {MedSegMamba: 3D CNN-Mamba Hybrid Architecture for Brain Segmentation},
author = {Aaron Cao and Zongyu Li and Jordan Jomsky and Andrew F. Laine and Jia Guo},
journal= {arXiv preprint arXiv:2409.08307},
year = {2024}
}
备注
14 pages, 8 figures