面向阿尔茨海默病诊断的 3D MRI 扫描视觉 Mamba
计算机视觉与模式识别
2024-06-11 v1 机器学习
摘要
对3D MRI图像进行分类以实现阿尔茨海默病的早期检测是医学影像中的关键任务。传统方法使用卷积神经网络（CNNs）和Transformer面临重大挑战。在该领域，CNNs虽然在捕获局部空间特征方面有效，但在处理长程依赖方面存在困难，且在高分辨率3D数据上需要大量计算资源。相反，Transformer在捕获全局上下文方面表现出色，但在推理时间上具有二次复杂度，要求大量内存，使得在大规模3D MRI数据上效率较低。为了解决这些限制，我们提出使用基于状态空间模型（SSMs）的Vision Mamba，用于3D MRI图像的分类以检测阿尔茨海默病。Vision Mamba利用动态状态表示和选择性扫描算法，能够高效地捕获和保留3D体积中重要的空间信息。通过动态调整基于输入特征的状态转换，Vision Mamba能够选择性地保留相关信息，从而实现对3D医学图像更准确且计算更高效的处理。我们的方案将在训练期间利用可并行的卷积操作，以及在推理期间利用高效的状态循环处理相结合。这种架构不仅提高了计算效率，还增强了模型处理3D医学图像中长程依赖的能力。实验结果表明，Vision Mamba在准确率上优于传统CNN和Transformer模型，为使用3D MRI数据实现阿尔茨海默病的早期检测提供了有前景的工具。
引用
@article{arxiv.2406.05757,
title = {Vision Mamba: Cutting-Edge Classification of Alzheimer's Disease with 3D MRI Scans},
author = {Muthukumar K A and Amit Gurung and Priya Ranjan},
journal= {arXiv preprint arXiv:2406.05757},
year = {2024}
}
备注
12 pages with 5 figures and 3 tables, to be submitted as a book chapter