DM-SegNet: Dual-Mamba Architecture for 3D Medical Image Segmentation with Global Context Modeling

要約

正確な3D医療画像セグメンテーションには、グローバルなコンテキストモデリングと空間トポロジー保存を調整できるアーキテクチャが必要です。
MAMBAのような状態空間モデル（SSM）はシーケンスモデリングの可能性を示していますが、既存の医療SSMはエンコーダデコーダーの非互換性に苦しんでいます：エンコーダの1Dシーケンスフラット化は空間構造を損ないますが、従来のデコーダーはMambaの状態の伝播を活用できません。
解剖学的な階層デコードと方向状態遷移を統合するデュアルマンバアーキテクチャであるDM-Segnetを提示します。
コアイノベーションには、4方向の3Dスキャンを使用して解剖学的空間コヒーレンスを維持するための4方向の3Dスキャンを使用した四方方向空間MAMBAモジュール、状態モデリング前の空間的に敏感な特徴表現を強化するゲートの空間的畳み込み層、およびvidionedional State Synchrranizationを強化するMamba-driven Decoding Frameworkがスケールを支えます。
2つの臨床的に有意なベンチマークでの広範な評価は、DM-SEGNETの有効性を示しています。腹部臓器のセグメンテーションのためのシナプスデータセットで85.44％の最先端のサイコロ類似性係数（DSC）、脳腫瘍分離のためのBRATS2023データセットで90.22％を達成します。

要約(オリジナル)

Accurate 3D medical image segmentation demands architectures capable of reconciling global context modeling with spatial topology preservation. While State Space Models (SSMs) like Mamba show potential for sequence modeling, existing medical SSMs suffer from encoder-decoder incompatibility: the encoder’s 1D sequence flattening compromises spatial structures, while conventional decoders fail to leverage Mamba’s state propagation. We present DM-SegNet, a Dual-Mamba architecture integrating directional state transitions with anatomy-aware hierarchical decoding. The core innovations include a quadri-directional spatial Mamba module employing four-directional 3D scanning to maintain anatomical spatial coherence, a gated spatial convolution layer that enhances spatially sensitive feature representation prior to state modeling, and a Mamba-driven decoding framework enabling bidirectional state synchronization across scales. Extensive evaluation on two clinically significant benchmarks demonstrates the efficacy of DM-SegNet: achieving state-of-the-art Dice Similarity Coefficient (DSC) of 85.44% on the Synapse dataset for abdominal organ segmentation and 90.22% on the BraTS2023 dataset for brain tumor segmentation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google