HCMA-UNet: A Hybrid CNN-Mamba UNet with Axial Self-Attention for Efficient Breast Cancer Segmentation

要約

DCE-MRIの乳がん病変のセグメンテーションは、不均一な腫瘍の形態と不明瞭な境界のために依然として困難なままです。
これらの課題に対処するために、この研究では、乳がんの病変セグメンテーションのために、新しいハイブリッドセグメンテーションネットワークHCMA-Unetを提案しています。
私たちのネットワークは、軽量のCNNバックボーンとマルチビュー軸の自己触媒マンバ（MISM）モジュールで構成されています。
MISMモジュールは、視覚的な状態空間ブロック（VSSB）と軸の自己関節（ASA）メカニズムを統合し、効率的な三方向の特徴抽出を実現するために、非対称スプリットチャネル（ASC）戦略を通じてパラメーターを効果的に削減します。
私たちの軽量モデルは、2.87mパラメーターと126.44 GFLOPSで優れた性能を達成します。
セグメンテーションの精度を向上させるために、機能ガイド下のリージョンアウェア損失関数（FRLOSS）が提案されています。
1つのプライベートと2つの公共DCE-MRI乳がんデータセットでの広範な実験は、私たちのアプローチが計算効率を維持しながら最先端のパフォーマンスを達成することを示しています。
Frlossは、優れた横断的な一般化能力も示しています。
ソースコードは、https：//github.com/haoxuanli-thu/hcma-unetで入手できます。

要約(オリジナル)

Breast cancer lesion segmentation in DCE-MRI remains challenging due to heterogeneous tumor morphology and indistinct boundaries. To address these challenges, this study proposes a novel hybrid segmentation network, HCMA-UNet, for lesion segmentation of breast cancer. Our network consists of a lightweight CNN backbone and a Multi-view Axial Self-Attention Mamba (MISM) module. The MISM module integrates Visual State Space Block (VSSB) and Axial Self-Attention (ASA) mechanism, effectively reducing parameters through Asymmetric Split Channel (ASC) strategy to achieve efficient tri-directional feature extraction. Our lightweight model achieves superior performance with 2.87M parameters and 126.44 GFLOPs. A Feature-guided Region-aware loss function (FRLoss) is proposed to enhance segmentation accuracy. Extensive experiments on one private and two public DCE-MRI breast cancer datasets demonstrate that our approach achieves state-of-the-art performance while maintaining computational efficiency. FRLoss also exhibits good cross-architecture generalization capabilities. The source code is available at https://github.com/Haoxuanli-Thu/HCMA-UNet.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google