SegMamba
PulseAugur coverage of SegMamba — every cluster mentioning SegMamba across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新AI方法利用MRI扫描预测胶质瘤肿瘤状态
研究人员开发了一种名为Observation-Anchored Selective Assimilation (OASA)的新方法，利用治疗后胶质瘤患者的MRI扫描来预测肿瘤状态。该方法使用中间观察结果来锚定患者特定的肿瘤状态代理估计，从而提高预测准确性。在对203名患者进行的试验中，OASA在0.2 Dice阈值下表现与持续性相当，在0.5 Dice阈值下表现更优，并且校准进一步提升了结果。
-
Mamba架构应用于放射治疗计划中的MRI到CT合成
研究人员已将最初为图像分割设计的SegMamba架构改编用于放射治疗计划的MRI到CT合成。这种新颖的方法利用状态空间建模来捕捉复杂的体积特征和长距离依赖关系，旨在提高准确性，同时与nnU-Net等传统卷积方法相比保持较低的参数数量。在SynthRAD2025数据集上的实验证明了基于Mamba的模型在跨模态医学图像翻译方面的潜力，为其整合到放射治疗工作流程铺平了道路。
-
新基准测试比较用于脑肿瘤分割的深度学习模型
研究人员开发了一个统一的基准测试，用于比较磁共振成像扫描的3D脑肿瘤分割的深度学习模型。该研究在相同的实验条件下评估了五种最先进的模型，包括CNN、基于Transformer的模型和状态空间模型（SSM）。性能通过分割准确性指标和推理时间、模型大小等计算成本进行评估，从而深入了解不同架构范式在准确性和效率之间的权衡。
-
新的DAMamba-UNet3D架构增强了3D医学图像分割
研究人员开发了DAMamba-UNet3D，一种用于3D医学图像分割的新型架构，它将参数高效的Mamba状态空间模型与U-Net结构相结合。该方法旨在提高全局上下文推理能力，同时与SegMamba等现有方法相比，保持较低的参数数量。DAMamba-UNet3D架构利用动态自适应扫描（DAS）块，该块学习数据依赖的重排序以进行选择性扫描，并在BraTS 2020数据集上取得了有竞争力的结果，平均Dice得分为0.815，而参数数量远少于…
-
新型 AI 模型在低资源 MRI 中实现高效脑肿瘤分割
研究人员开发了 MMRINet，这是一款轻量级 AI 模型，专为 MRI 扫描中的高效脑肿瘤分割而设计，尤其适用于低资源临床环境。该模型利用 Mamba 状态空间模型取代计算密集型自注意力机制，以更少的参数实现有效的长程上下文建模。MMRINet 结合了双路径特征精炼和渐进式特征聚合，即使在数据有限的情况下也能提高分割精度和边界清晰度。在尼日利亚临床站点的数据集上进行测试，MMRINet 取得了具有竞争力的性能，展示了其在服务欠缺地区…