通过残差视觉Mamba层和形状先验提升临床影像中3D脊椎分割精度
图像与视频处理
2024-08-29 v1 计算机视觉与模式识别
摘要
准确的3D临床医学图像分割是诊断和治疗脊椎疾病的关键因素。然而，脊椎解剖结构的内在复杂性以及当前影像技术中固有的不确定性，为脊椎图像的语义分割带来了重大挑战。尽管卷积神经网络（CNN）和基于Transformer的模型在脊椎分割方面取得了一些进展，但它们在处理长程依赖方面的局限性阻碍了分割精度的进一步提升。为了应对这些挑战，我们引入残差视觉Mamba层，有效地捕获和建模3D脊椎数据的深层语义特征和长程空间依赖性。为了进一步增强对脊椎结构语义理解，我们还提出一种新颖的脊椎形状先验模块，从医学图像中捕获特定解剖信息，显著增强了模型提取脊椎结构语义信息的能力。在两个数据集上的比较和消融实验表明，SpineMamba 超越了现有的SOTA模型。在CT数据集上，分割的平均Dice相似系数最高可达94.40，而在MR数据集上，达到86.95。值得注意的是，与著名的nnU-Net 相比，SpineMamba 在分割性能上取得了优异的表现，净增约2个百分点。这凸显了其准确性、稳健性和优异的泛化能力。
引用
@article{arxiv.2408.15887,
title = {SpineMamba: Enhancing 3D Spinal Segmentation in Clinical Imaging through Residual Visual Mamba Layers and Shape Priors},
author = {Zhiqing Zhang and Tianyong Liu and Guojia Fan and Bin Li and Qianjin Feng and Shoujun Zhou},
journal= {arXiv preprint arXiv:2408.15887},
year = {2024}
}
备注
17 pages, 11 figures