（Arxiv2025）用于多模态医学图像超分辨率的全局和局部Mamba网络

最新推荐文章于 2025-07-29 18:40:56 发布
最新推荐文章于 2025-07-29 18:40:56 发布
阅读量191 收藏
点赞数 7
CC 4.0 BY-SA版权
分类专栏： 智能医疗 文章标签： 计算机视觉 人工智能 健康医疗 算法 网络 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/LiRongLu_/article/details/149113204

<Global and Local Mamba Network for Multi-Modality Medical Image Super-Resolution>

图1：本方法的整个管道由两个分支组成，即，全局Mamba分支和本地Mamba分支。“变形”块可以自适应地从两个分支中提取可变形特征。一个调制器被引入到进一步完善的可变形功能内的全球和当地的曼巴块。多模态特征融合模块设计用于融合两个分支。通过重构卷积层最终获得超分辨图像（SR）和重构参考图像（Rec_{Ref}）。 

 论文地址：https://arxiv.org/pdf/2504.10105

        在医学成像领域，高分辨率图像对于精准诊断至关重要，但获取这些图像往往成本高昂且耗时。为了在降低成本的

了解本专栏 订阅专栏 解锁全文 超级会员免费看
医图论文 Arxiv‘24 | 自我先验引导的 Mamba-UNet 网络在医学图像超分辨率中的应用
小白学视觉
04-16 90
作者提出了一种自我先验引导的 Mamba-UNet 网络（简称 SMamba-UNet）用于医学图像超分辨率。现有方法主要基于卷积神经网络（CNNs）或 Transformer。基于 CNN 的方法无法捕捉长距离依赖关系，而基于 Transformer 的方法由于其二阶计算复杂度，面临沉重的计算挑战。最近，状态空间模型（SSMs）尤其是 Mamba 出现了，它能够以线性计算复杂度建模长距离依赖。
Mamba-UNet：用于医学图像分割的类似UNet的纯视觉Mamba网络
AI浩
02-14 6578
所提出的Mamba-UNet的架构如图2所示，其灵感来源于UNet [24] 和 Swin-UNet [3]。首先将大小为 H × W × 1 的2D灰度图像分割成类似于ViT和VMamba的块 [5,16]，然后转换为维度为 H/4 × W/4 × 16 的1D序列。一个初始的线性嵌入层将特征维度调整为任意大小C。这些块令牌随后通过多个VSS块和块合并层进行处理，以创建分层特征。块合并层负责下采样和维度增加，而VSS块则专注于学习特征表示。
Mamba再发力！结合图像分割刷爆SOTA！
m0_73122726的博客
05-16 333
近年来，Mamba架构在医学图像分割领域展现出显著创新，通过高效的多尺度特征提取和灵活的网络设计，精准识别复杂组织结构和病变区域。
【arXiv 2025】强！轻量级双分支Mamba卷积，提取全局和局部信息，即插即用！
qq_43303160的博客
03-14 1473
SS-Conv-SSM Block的设计旨在通过分组卷积和SSM层提取图像的局部和全局特征，同时通过通道洗牌避免信息损失，实现高效且准确的特征提取。
医图论文 Arxiv‘24 | MedMamba: 医学图像分类的视觉Mamba
小白学视觉
06-19 877
自从深度学习时代以来，卷积神经网络（CNNs）和视觉变换器（ViTs）在医学图像分类任务中得到了广泛的研究和应用。不幸的是，CNN在建模长期依赖关系方面的局限性导致分类性能不佳。相比之下，ViTs受到其自注意力机制二次计算复杂度的阻碍，使得它们在计算资源有限的实际设置中难以部署。最近的研究表明，由曼巴（Mamba）代表的状态空间模型（SSMs）可以有效地建模长期依赖关系，同时保持线性计算复杂度。受此启发，作者提出了MedMamba，这是第一个用于通用医学图像分类的视觉曼巴。
多模态 + Mamba，这对 “CP” 直接锁死啦！
Malaai的博客
03-27 1171
作为序列建模领域的革命性技术，Mamba以线性复杂度的长距离依赖建模能力，与多模态技术的跨维度信息整合优势形成化学反应，推动模型在准确性、鲁棒性和泛化性上实现跨越式突破。从医疗影像的多模态诊断到工业质检的跨模态缺陷检测，从智慧城市的多源数据融合到元宇宙的沉浸式交互，技术应用版图持续裂变。学术领域更是成果井喷，如ICASSP 2025最新成果DepMamba，在多模态视频理解任务中实现计算效率与准确率的双重突破。
医图论文 Arxiv‘24 | MSVM-UNet: 多尺度视觉Mamba UNet用于医学图像分割
小白学视觉
04-14 93
状态空间模型（SSMs），尤其是蟒模型，在医学图像分割中显示出巨大潜力，因为它们能够在保持线性计算复杂度的同时建模长距离依赖关系。然而，准确的医学图像分割需要有效地学习多尺度详细特征表示和全局上下文依赖关系。尽管现有的工作已经尝试通过整合卷积神经网络（CNNs）和SSMs来利用它们各自的优势，但它们并没有设计专门的模块来有效地捕获多尺度特征表示，也没有充分解决将蟒模型应用于2D图像数据时的方向敏感性问题。为了克服这些限制，我们提出了一种用于医学图像分割的多尺度视觉蟒UNet模型，称为MSVM-UNet。
医图论文 Arxiv‘24 | GASA-UNet：用于3D医学图像分割的全局轴向自注意力U-Net
小白学视觉
04-18 84
在医学成像中，对多个器官进行精确分割以及区分病理组织是至关重要但又具有挑战性的任务，尤其是在对细微分类和模糊器官边界的处理上。为了应对这些挑战，作者介绍了GASA-UNet，这是一个改进的U-Net模型，特点是引入了一个新颖的全局轴向自注意力（GASA）块。该块将图像数据作为3D实体处理，每个2D平面代表不同的解剖横截面。在此空间上下文中定义体素特征，并利用多头自注意力（MHSA）机制对提取的1D补丁进行处理，以促进这些平面之间的连接。将位置嵌入（PE）纳入我们的注意力框架中，为体素特征增加了空间上下文，增
医图论文 Arxiv‘24 | HResFormer：用于体积医学图像分割的混合残差Transformer
小白学视觉
03-24 74
视觉Transformer在医学图像分割中表现出极大的优势，主要得益于其在学习长程依赖方面的能力。对于从3D数据（如计算机断层扫描CT）中进行医学图像分割，现有方法大致可以分为基于2D和基于3D的方法。2D方法的一个关键局限性是忽略了切片内的信息，而3D方法的局限性则是高计算成本和内存消耗，导致切片内信息的特征表示受限。在临床检查中，放射科医生主要使用轴向平面，然后通常会同时审查轴向和冠状平面，以形成对解剖结构的3D理解。
【即插即用完整代码】arXiv 2025 轻量级双分支Mamba卷积，提取全局和局部信息，快速涨点，发表论文！
m0_58508552的博客
03-16 286
【即插即用完整代码】arXiv 2025 轻量级双分支Mamba卷积，提取全局和局部信息，快速涨点，发表论文！
opencv学习（图像金字塔）
weixin_63566653的博客
07-26 531
图像金字塔是一种多尺度图像表示方法，通过对原始图像进行下采样（缩小）和上采样（放大），生成一系列不同分辨率的图像集合，形似 “金字塔”（底部是高分辨率原始图像，向上逐渐变为低分辨率图像）。
04 OpenCV--图像预处理之图像梯度处理、图像边缘检测、图像轮廓检测、凸包的相关操作
2202_75674969的博客
07-25 934
本文介绍了图像处理中的梯度计算、边缘检测和轮廓分析方法。首先阐述了图像梯度的概念，将图像视为二维函数，通过Sobel、Prewitt等算子计算水平和垂直方向的导数，获取边缘信息。接着详细讲解了完整的边缘检测流程，包括高斯滤波去噪、梯度计算、非极大值抑制和双阈值筛选。最后重点介绍了轮廓处理技术，包括轮廓查找方法（RETR_EXTERNAL、RETR_LIST等）、轮廓绘制以及凸包计算（穷举法和QuickHull法），并给出了OpenCV实现代码。这些技术为图像特征提取和目标识别提供了重要基础。
YOLO--目标检测基础
2201_75762674的博客
07-29 795
NMS（Non-Maxmum suppression）非极大值抑制：是目标检测目标库后处理的方法。它的出现主要是为了解决对同一个检测目标出现多个目标框的问题。如图，在最后的结果中，我们往往只需要一个最终的，最准确的目标框，所以NMS就发挥了很大的作用。3.2运算流程（1）设置IoU（目标框置信度阈值），一般设为0.5，小于这个值的框会被过滤，一般是用来过滤网格中心Bounding Box中没有预测到目标的目标框；（2）根据置信度进行降序排列候选框；
opencv学习（图像梯度）
weixin_63566653的博客
07-26 1568
在图像处理中，图像梯度（Image Gradient）是描述图像中像素值变化率的概念，是理解图像中 “哪里发生变化” 以及 “变化有多剧烈” 的核心工具。从简单的 Sobel 算子到复杂的 Canny 算法，本质都是通过梯度分析实现边缘提取，是计算机视觉中处理图像结构的基础。
深度学习 目标检测常见指标和yolov1分析
最新发布
2301_76654710的博客
07-29 716
如题，这篇介绍一下目标检测中常见的一些指标以及简单分析一下 yolov1 的模型结构。首先得知道什么是目标检测：目标检测（Object Detection）是计算机视觉领域的核心任务之一，旨在识别图像或视频中感兴趣的物体，并确定它们的位置和类别。与图像分类（仅识别物体类别）不同，目标检测需要同时解决（whats）和（where）两个问题。
Open CV图像基本操作可莉版
weixin_52001449的博客
07-28 1242
假设我们有一个灰度图像 img，可以通过 img[y, x] 来访问位于 (x, y) 位置的像素值。对于彩色图像，可以通过 img[y, x, c] 来访问特定通道 c 的像素值，其中 c 为 0（蓝色）、1（绿色）或 2（红色）。在彩色图像中，每个像素通常有三个值，分别表示红色、绿色和蓝色（RGB）通道的强度。可以指定缩放后的图像尺寸或缩放比例。在 OpenCV 中，可以使用 cv2.split() 函数将图像的通道分离。提取 ROI 后，可以对其进行修改，然后将修改后的 ROI 放回原图像中。
OpenCV 学习探秘之四：从角点检测，SIFT/SURF/ORB特征提取，目标检测与识别，Haar级联分类人脸检测，再到机器学习等接口的全面实战应用与解析
qianniulaoren的博客
07-29 1062
OpenCV 学习探秘之四：从角点检测，SIFT/SURF/ORB特征提取，目标检测与识别，Haar级联分类人脸检测，再到机器学习等接口的全面实战应用与解析
图像梯度处理与边缘检测
2302_77312030的博客
07-25 847
图像梯度是描述像素灰度变化的 “数学工具”，而边缘检测则是基于梯度寻找图像中 “有意义边界” 的技术。从简单的 Sobel 算子到复杂的 Canny 算法，每一种方法都在平衡精度、效率与抗噪声能力。理解梯度与边缘检测的原理，主要在于理解为什么梯度处理使用数学中的一阶方差和二阶方差且卷积核如何发挥作用，边缘检测主要在于边缘方向不一定会是常见的45,90等，如何确认图像的梯度和方向就是需要重点理解的。1%29&plus;1%29&plus;1%29&plus;
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

编程日记✧

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值