U-Mamba：增强生物医学图像分割中的长程依赖建模
图像与视频处理
2024-01-10 v1 计算机视觉与模式识别
机器学习
摘要
卷积神经网络（CNN）和Transformer一直是生物医学图像分割中最流行的架构，但由于固有的局部性限制或计算复杂度，两者处理长程依赖的能力均有限。为应对这一挑战，我们提出U-Mamba，一种面向生物医学图像分割的通用网络。受状态空间序列模型（SSM）这一以强大长序列处理能力著称的新型深度序列模型家族的启发，我们设计了一种混合CNN-SSM模块，将卷积层的局部特征提取能力与SSM捕获长程依赖的能力相结合。此外，U-Mamba具备自配置机制，无需人工干预即可自动适配各类数据集。我们在四项不同任务上进行了广泛实验，包括CT和MR图像中的三维腹部器官分割、内窥镜图像中的器械分割以及显微镜图像中的细胞分割。结果表明，U-Mamba在所有任务上均优于当前最先进的基于CNN和基于Transformer的分割网络，为生物医学图像分析中高效的长程依赖建模开辟了新途径。代码、模型和数据已在 https://wanglab.ai/u-mamba.html 公开。
引用
@article{arxiv.2401.04722,
title = {U-Mamba: Enhancing Long-range Dependency for Biomedical Image Segmentation},
author = {Jun Ma and Feifei Li and Bo Wang},
journal= {arXiv preprint arXiv:2401.04722},
year = {2024}
}