T-Mamba：用于 2D 与 3D 牙齿分割的双域长程依赖统一框架
计算机视觉与模式识别
2024-08-02 v2
摘要
牙齿分割是现代数字牙科的关键步骤，对于正畸诊断和治疗规划等应用至关重要。尽管其很重要，但由于 2D 和 3D 牙齿数据固有的高噪声和低对比度，该过程充满挑战。卷积神经网络（CNN）和 Transformer 在医学图像分割中均展现出了潜力，但每种方法在处理长程依赖和计算复杂性方面都有局限性。为了解决这个问题，本文引入了 T-Mamba，将基于频率的特征和共享双向位置编码集成到 vision mamba 中，以解决高效全局特征建模方面的局限性。此外，我们设计了一个门选择单元，以自适应地整合空间域中的两个特征和频率域中的一个特征。T-Mamba 是首个将基于频率的特征引入 vision mamba 的工作，其灵活性使其无需单独的模块即可处理 2D 和 3D 牙齿数据。同时，本文还提出了 TED3，一个大规模公开的牙齿 2D 牙科 X 射线数据集。大量实验表明，T-Mamba 在公开的牙齿 CBCT 数据集上取得了新的 SOTA 结果，并在 TED3 数据集上优于以前的 SOTA 方法。代码和模型公开于：https://github.com/isbrycee/T-Mamba。
关键词
引用
@article{arxiv.2404.01065,
title = {T-Mamba: A unified framework with Long-Range Dependency in dual-domain for 2D & 3D Tooth Segmentation},
author = {Jing Hao and Yonghui Zhu and Lei He and Moyun Liu and James Kit Hon Tsoi and Kuo Feng Hung},
journal= {arXiv preprint arXiv:2404.01065},
year = {2024}
}
备注
25 pages, 10 figures, 7 tables