优化通用皮肤病分割：基于状态空间模型引导的层次网络及特征重要性调整
图像与视频处理
2024-04-29 v1 计算机视觉与模式识别
摘要
深度学习通过提供创新的解决方案来解决复杂的医疗保健挑战，彻底变革了医学成像。然而，传统模型往往难以动态调整特征的重要性，导致表示不佳，尤其是在对于准确结构描绘至关重要的语义分割任务中。此外，这些模型的静态性质还会导致高计算成本。为解决这些问题，我们提出了Mamba-Ahnet，这是一种将状态空间模型（SSM）与高级层次网络（AHNet）集成到MAMBA框架中的新型方法，专为医学成像中的语义分割量身定制。Mamba-Ahnet将SSM的特征提取与理解能力与AHNet的注意力机制和图像重建相结合，旨在增强分割的准确性和鲁棒性。通过将图像分割为图像块，并通过自注意力机制细化特征理解，该方法显著提高了特征分辨率。将AHNet集成到MAMBA框架中进一步提升了分割性能，通过选择性放大信息丰富的区域并促进丰富的层次表示的学习。在通用皮肤病分割数据集上的评估显示，与最先进技术相比，本方法表现出优异的性能， Dice相似系数约为98%，并集交于比率约为83%。这些结果凸显了该方法在提升诊断准确性、治疗规划以及最终改善临床实践中患者预后方面的潜力。通过解决传统模型的局限性并利用深度学习的强大功能，我们的方法在推动医学成像技术方面 represent 一个重要的进步。
引用
@article{arxiv.2404.17235,
title = {Optimizing Universal Lesion Segmentation: State Space Model-Guided Hierarchical Networks with Feature Importance Adjustment},
author = {Kazi Shahriar Sanjid and Md. Tanzim Hossain and Md. Shakib Shahariar Junayed and M. Monir Uddin},
journal= {arXiv preprint arXiv:2404.17235},
year = {2024}
}