旋转扫描：具有三重SSM模块的类UNet Mamba用于医学图像分割
图像与视频处理
2024-05-06 v4 计算机视觉与模式识别
机器学习
摘要
图像分割在医学领域的诊断和治疗中占据着至关重要的位置。传统的卷积神经网络（CNN）和Transformer模型在该领域取得了显著进展，但由于感受野有限或计算复杂度高，它们仍然面临挑战。最近，状态空间模型（SSM），特别是Mamba及其变体，在视觉领域展现了显著性能。然而，它们的特征提取方法可能不够有效，并保留了一些冗余结构，留下了参数缩减的空间。受先前空间和通道注意力方法的启发，我们提出了Triplet Mamba-UNet。该方法利用残差VSS块提取密集的上下文特征，同时利用Triplet SSM在空间和通道维度上融合特征。我们在ISIC17、ISIC18、CVC-300、CVC-ClinicDB、Kvasir-SEG、CVC-ColonDB和Kvasir-Instrument数据集上进行了实验，证明了我们提出的TM-UNet具有优越的分割性能。此外，与之前的VM-UNet相比，我们的模型参数减少了三分之一。
引用
@article{arxiv.2403.17701,
title = {Rotate to Scan: UNet-like Mamba with Triplet SSM Module for Medical Image Segmentation},
author = {Hao Tang and Lianglun Cheng and Guoheng Huang and Zhengguang Tan and Junhao Lu and Kaihong Wu},
journal= {arXiv preprint arXiv:2403.17701},
year = {2024}
}
备注
Experimental method encountered errors, undergoing experiment again