論文の概要: MambaMIR: An Arbitrary-Masked Mamba for Joint Medical Image
Reconstruction and Uncertainty Estimation
- arxiv url: http://arxiv.org/abs/2402.18451v1
- Date: Wed, 28 Feb 2024 16:24:08 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-29 14:14:28.860422
- Title: MambaMIR: An Arbitrary-Masked Mamba for Joint Medical Image
Reconstruction and Uncertainty Estimation
- Title(参考訳): MambaMIR: 関節画像再構成と不確かさ推定のための任意マスクマンバ
- Authors: Jiahao Huang, Liutao Yang, Fanwen Wang, Yinzhe Wu, Yang Nan, Angelica
I. Aviles-Rivero, Carola-Bibiane Sch\"onlieb, Daoqiang Zhang and Guang Yang
- Abstract要約: 本研究では,マンバをベースとした医用画像再構成モデルであるMambaMIRと,そのジェネレーティブ・アドバーサリアル・ネットワーク・モデルであるMambaMIR-GANを紹介する。
提案したMambaMIRは,線形複雑性,大域受容場,動的重み付けなどの利点を元のMambaモデルから継承する。
高速MRIやSVCTなどの様々な医用画像再構成タスクで行った実験により,MambaMIRとMambaMIR-GANは,最先端の手法と比較して,同等あるいは優れた再建結果が得られることが示された。
- 参考スコア(独自算出の注目度): 14.994432215182346
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The recent Mamba model has shown remarkable adaptability for visual
representation learning, including in medical imaging tasks. This study
introduces MambaMIR, a Mamba-based model for medical image reconstruction, as
well as its Generative Adversarial Network-based variant, MambaMIR-GAN. Our
proposed MambaMIR inherits several advantages, such as linear complexity,
global receptive fields, and dynamic weights, from the original Mamba model.
The innovated arbitrary-mask mechanism effectively adapt Mamba to our image
reconstruction task, providing randomness for subsequent Monte Carlo-based
uncertainty estimation. Experiments conducted on various medical image
reconstruction tasks, including fast MRI and SVCT, which cover anatomical
regions such as the knee, chest, and abdomen, have demonstrated that MambaMIR
and MambaMIR-GAN achieve comparable or superior reconstruction results relative
to state-of-the-art methods. Additionally, the estimated uncertainty maps offer
further insights into the reliability of the reconstruction quality. The code
is publicly available at https://github.com/ayanglab/MambaMIR.
- Abstract(参考訳): 最近のMambaモデルは、医用画像タスクを含む視覚表現学習に顕著な適応性を示している。
本研究では,マンバをベースとした医用画像再構成モデルであるMambaMIRと,そのGenerative Adversarial Network-based variantであるMambaMIR-GANを紹介する。
提案したMambaMIRは,線形複雑性,大域受容場,動的重み付けなどの利点を元のMambaモデルから継承する。
革新的任意マスク機構は,マンバを画像再構成作業に効果的に適用し,その後のモンテカルロによる不確実性推定にランダム性を与える。
膝, 胸, 腹部などの解剖学的領域をカバーする高速MRI, SVCT などの医療画像再構成作業において, MambaMIR と MambaMIR-GAN が, 最先端の方法と比較して, 同等あるいは優れた再建成績を示した。
さらに、推定不確実性マップは、復元品質の信頼性に関するさらなる洞察を提供する。
コードはhttps://github.com/ayanglab/MambaMIR.comで公開されている。
関連論文リスト
- HC-Mamba: Vision MAMBA with Hybrid Convolutional Techniques for Medical Image Segmentation [5.318153305245246]
本稿では,現代空間モデルMambaに基づく新しい医用画像分割モデルHC-Mambaを提案する。
具体的には,HC-Mambaモデルにおける拡張畳み込み手法を導入し,より広い範囲の文脈情報を取得する。
さらに、HC-Mambaモデルでは、深度的に分離可能な畳み込みを採用し、パラメータの数とモデルの計算能力を大幅に削減する。
論文 参考訳(メタデータ) (2024-05-08T12:24:50Z) - ReMamber: Referring Image Segmentation with Mamba Twister [51.291487576255435]
ReMamberは、マルチモーダルなMamba TwisterブロックとMambaのパワーを統合する新しいRISアーキテクチャである。
Mamba Twisterは画像とテキストのインタラクションを明示的にモデル化し、独自のチャネルと空間的ツイスト機構を通じてテキストと視覚的特徴を融合する。
論文 参考訳(メタデータ) (2024-03-26T16:27:37Z) - MedMamba: Vision Mamba for Medical Image Classification [0.0]
医用画像分類のためのビジョンマンバ(メドマンバ)を提案する。
新しいConv-SSMモジュールは、畳み込み層の局所的な特徴抽出能力と、長距離依存性をキャプチャするSSMの機能を組み合わせる。
私たちの知る限りでは、Vision Mambaは医療画像分類用に作られた最初のVision Mambaだ。
論文 参考訳(メタデータ) (2024-03-06T16:49:33Z) - MambaIR: A Simple Baseline for Image Restoration with State-Space Model [46.827053426281715]
我々は,バニラ・マンバを改善するために,局部増強とチャンネルアテンションを導入するMambaIRを紹介した。
本手法は,画像SR上でSwinIRを最大0.45dB向上させる。
論文 参考訳(メタデータ) (2024-02-23T23:15:54Z) - Mamba-UNet: UNet-Like Pure Visual Mamba for Medical Image Segmentation [21.1787366866505]
Mamba-UNetは,医療画像のセグメンテーションにおいてU-Netとマンバの能力を相乗化する新しいアーキテクチャである。
Mamba-UNetは純粋にVisual Mamba(VMamba)ベースのエンコーダデコーダ構造を採用しており、ネットワークのさまざまなスケールで空間情報を保存するためにスキップ接続を注入している。
論文 参考訳(メタデータ) (2024-02-07T18:33:04Z) - Swin-UMamba: Mamba-based UNet with ImageNet-based pretraining [85.08169822181685]
本稿では,医療画像のセグメンテーションに特化して設計された新しいマンバモデルSwin-UMambaを紹介する。
Swin-UMamba は CNN や ViT,最新の Mamba ベースのモデルと比較して,優れたパフォーマンスを示している。
論文 参考訳(メタデータ) (2024-02-05T18:58:11Z) - SMUG: Towards robust MRI reconstruction by smoothed unrolling [18.431095609802654]
深達度学習(DL)はMRI(Accelerated Magnetic resonance imaging)で大いに人気を博している。
最近の研究では、DLベースのMRI再構成モデルは小さな入力摂動に対して過敏である可能性が示されている。
ランダムスムーシング(RS)に基づく頑健な学習操作を用いた深層展開型MRI再構成モデルであるSMOOTHED UNROLLING(SMUG)を提案する。
論文 参考訳(メタデータ) (2023-03-14T02:21:55Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳(メタデータ) (2023-03-07T09:40:22Z) - Model-Guided Multi-Contrast Deep Unfolding Network for MRI
Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。
本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文 参考訳(メタデータ) (2022-09-15T03:58:30Z) - Multi-institutional Collaborations for Improving Deep Learning-based
Magnetic Resonance Image Reconstruction Using Federated Learning [62.17532253489087]
深層学習法はmr画像再構成において優れた性能をもたらすことが示されている。
これらの方法は、高い取得コストと医療データプライバシー規制のために収集および共有が困難である大量のデータを必要とします。
我々は,異なる施設で利用可能なmrデータを活用し,患者のプライバシーを保ちながら,連合学習(fl)ベースのソリューションを提案する。
論文 参考訳(メタデータ) (2021-03-03T03:04:40Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。