論文の概要: ASP-VMUNet: Atrous Shifted Parallel Vision Mamba U-Net for Skin Lesion Segmentation
- arxiv url: http://arxiv.org/abs/2503.19427v1
- Date: Tue, 25 Mar 2025 08:17:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-26 16:54:10.400156
- Title: ASP-VMUNet: Atrous Shifted Parallel Vision Mamba U-Net for Skin Lesion Segmentation
- Title(参考訳): ASP-VMUNet: 皮膚病変セグメンテーションのためのアトラスシフトパラレルビジョンMamba U-Net
- Authors: Muyi Bao, Shuchang Lyu, Zhaoyang Xu, Qi Zhao, Changyu Zeng, Wenpei Bai, Guangliang Cheng,
- Abstract要約: 本稿では,新しい皮膚病変セグメンテーションフレームワークであるAtrous Shifted Parallel Vision Mamba UNet(ASP-VMUNet)を提案する。
このフレームワークは、効率よくスケーラブルなMambaアーキテクチャを統合し、従来のCNNと計算的に要求されるトランスフォーマーの制限を克服する。
4つのベンチマークデータセットでテストされたASP-VMUNetは、皮膚病変のセグメンテーションにおいて優れたパフォーマンスを示している。
- 参考スコア(独自算出の注目度): 17.88432817400751
- License:
- Abstract: Skin lesion segmentation is a critical challenge in computer vision, and it is essential to separate pathological features from healthy skin for diagnostics accurately. Traditional Convolutional Neural Networks (CNNs) are limited by narrow receptive fields, and Transformers face significant computational burdens. This paper presents a novel skin lesion segmentation framework, the Atrous Shifted Parallel Vision Mamba UNet (ASP-VMUNet), which integrates the efficient and scalable Mamba architecture to overcome limitations in traditional CNNs and computationally demanding Transformers. The framework introduces an atrous scan technique that minimizes background interference and expands the receptive field, enhancing Mamba's scanning capabilities. Additionally, the inclusion of a Parallel Vision Mamba (PVM) layer and a shift round operation optimizes feature segmentation and fosters rich inter-segment information exchange. A supplementary CNN branch with a Selective-Kernel (SK) Block further refines the segmentation by blending local and global contextual information. Tested on four benchmark datasets (ISIC16/17/18 and PH2), ASP-VMUNet demonstrates superior performance in skin lesion segmentation, validated by comprehensive ablation studies. This approach not only advances medical image segmentation but also highlights the benefits of hybrid architectures in medical imaging technology. Our code is available at https://github.com/BaoBao0926/ASP-VMUNet/tree/main.
- Abstract(参考訳): 皮膚病変のセグメンテーションは、コンピュータビジョンにおいて重要な課題であり、正常な皮膚から病理的特徴を分離し、診断を正確に行うことが不可欠である。
従来の畳み込みニューラルネットワーク(CNN)は、狭い受容場によって制限されており、トランスフォーマーは計算上のかなりの負担に直面している。
本稿では,従来のCNNの制約を克服し,計算的に要求されるトランスフォーマーを克服するために,効率的でスケーラブルなMambaアーキテクチャを統合した新しい皮膚病変分割フレームワークであるAtrous Shifted Parallel Vision Mamba UNet(ASP-VMUNet)を提案する。
このフレームワークは、背景干渉を最小限に抑え、受容野を拡張し、Mambaのスキャン能力を向上するアトラススキャン技術を導入している。
さらに、PVM(Parallel Vision Mamba)レイヤとシフトラウンド操作を含めることで、機能セグメンテーションを最適化し、リッチなセグメント間情報交換を促進する。
Selective-Kernel (SK)ブロックを備えた補足的なCNNブランチは、ローカルとグローバルのコンテキスト情報をブレンドすることによってセグメンテーションをさらに洗練する。
4つのベンチマークデータセット(ISIC16/17/18およびPH2)でテストした結果、ASP-VMUNetは皮膚病変のセグメンテーションにおいて優れたパフォーマンスを示し、包括的なアブレーション研究によって検証された。
このアプローチは、医用画像のセグメンテーションを前進させるだけでなく、医用画像技術におけるハイブリッドアーキテクチャの利点も強調する。
私たちのコードはhttps://github.com/BaoBao0926/ASP-VMUNet/tree/mainで利用可能です。
関連論文リスト
- MambaClinix: Hierarchical Gated Convolution and Mamba-Based U-Net for Enhanced 3D Medical Image Segmentation [6.673169053236727]
医用画像分割のための新しいU字型アーキテクチャであるMambaClinixを提案する。
MambaClinixは、階層的なゲート畳み込みネットワークとMambaを適応的なステージワイドフレームワークに統合する。
以上の結果から,MambaClinixは低モデルの複雑さを維持しつつ高いセグメンテーション精度を達成できることが示唆された。
論文 参考訳(メタデータ) (2024-09-19T07:51:14Z) - SkinMamba: A Precision Skin Lesion Segmentation Architecture with Cross-Scale Global State Modeling and Frequency Boundary Guidance [0.559239450391449]
皮膚病変のセグメンテーションは早期皮膚癌を同定するための重要な方法である。
我々は、SkinMambaと呼ばれるMambaとCNNをベースとしたハイブリッドアーキテクチャを提案する。
強力な長距離依存性モデリングとローカル機能抽出機能を提供しながら、線形複雑性を維持している。
論文 参考訳(メタデータ) (2024-09-17T05:02:38Z) - AC-MAMBASEG: An adaptive convolution and Mamba-based architecture for enhanced skin lesion segmentation [2.2448567386846916]
本稿では,新しい皮膚病変分割モデルであるAC-MambaSegを提案する。
AC-MambaSegはハイブリッドCNN-Mambaバックボーンを持ち、Attention GateやSelective Kernel Bottleneckといった高度なコンポーネントを統合している。
本モデルは,コンピュータ支援診断システムの改善と皮膚疾患の早期発見と治療の促進に有望な可能性を示唆する。
論文 参考訳(メタデータ) (2024-05-05T17:37:50Z) - 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) - Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳(メタデータ) (2023-12-26T12:56:31Z) - Scale-aware Super-resolution Network with Dual Affinity Learning for
Lesion Segmentation from Medical Images [50.76668288066681]
低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。
提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
論文 参考訳(メタデータ) (2023-05-30T14:25:55Z) - Generative Adversarial Networks based Skin Lesion Segmentation [7.9234173309439715]
本稿では, 教師なし生成ネットワークを用いて正確な病変マスクを生成する, Efficient-GAN という新たな逆学習基盤を提案する。
Dice係数、Jaccard類似度、精度はそれぞれ90.1%、83.6%、94.5%である。
また,EGANと同等の性能を持つ軽量セグメンテーションフレームワーク(MGAN)を設計する。
論文 参考訳(メタデータ) (2023-05-29T15:51:31Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳(メタデータ) (2023-01-12T08:19:46Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳(メタデータ) (2022-12-01T07:32:56Z) - TransUNet: Transformers Make Strong Encoders for Medical Image
Segmentation [78.01570371790669]
医用画像のセグメンテーションは医療システムの開発に必須の前提条件である。
様々な医療画像セグメンテーションタスクにおいて、U-Netとして知られるu字型アーキテクチャがデファクトスタンダードとなっている。
医用画像セグメンテーションの強力な代替手段として,トランスフォーマーとU-Netの両方を有効活用するTransUNetを提案する。
論文 参考訳(メタデータ) (2021-02-08T16:10:50Z) - DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。
我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。
皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文 参考訳(メタデータ) (2020-08-19T06:02:46Z)
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。