Differential-UMamba：在数据有限场景下的肿瘤分割
计算机视觉与模式识别
2025-07-25 v1
摘要
在数据稀缺场景中，深度学习模型容易对噪声和无关模式过拟合，这限制了其对未见样本的泛化能力。为应对医学图像分割中的这些挑战，我们引入Diff-UMamba，一种新型架构，将 UNet 框架与 Mamba 机制结合用于建模长程依赖。在Diff-UMamba 的核心是一个噪声消除模块，采用信号差分策略来抑制编码器中的噪声或无关激活。这鼓励模型过滤掉多余特征并增强任务相关的表征，从而提高其对临床相关区域的关注。因此，该架构实现了 improved 分割精度和鲁棒性，尤其是在低数据环境中。Diff-UMamba 在多个公开数据集上进行评估，包括医学分割竞赛数据集（肺部和胰腺）和 AIIB23，显示在各种分割任务中相较于基线方法实现持续的 1-3% 性能提升。为进一步评估在有限数据条件下的性能，还在 BraTS-21 数据集上进行了通过 varying 可用训练样本比例的实验。该方法还在小规模内部非小细胞肺癌数据集上进行了验证，用于锥束 CT 中肿瘤体积的分割，该数据集显示该方法在基线方法上实现 4-5% 的提升。
引用
@article{arxiv.2507.18176,
title = {Unsupervised Domain Adaptation for 3D LiDAR Semantic Segmentation Using Contrastive Learning and Multi-Model Pseudo Labeling},
author = {Abhishek Kaushik and Norbert Haala and Uwe Soergel},
journal= {arXiv preprint arXiv:2507.18176},
year = {2025}
}