تعد تجزئة الصور الطبية ثلاثية الأبعاد بدقة أمرًا بالغ الأهمية للتشخيص والعلاج. تُظهر نماذج الانتشار أداءً واعدًا في مهام تجزئة الصور الطبية نظرًا للطبيعة التدريجية لعملية التوليد والنمذجة الواضحة لتوزيعات البيانات. ومع ذلك، فإن الضعف في توجيه المعلومات الشرطية وعدم كفاءة استخراج الميزات في نماذج الانتشار يؤدي لتفويت الميزات الدقيقة والاتساق الهيكلي في نتائج التجزئة، مما يؤثر على دقة تجزئة الصور الطبية. لمواجهة هذا التحدي، نقترح نموذج انتشار معزز بمامبا لتجزئة الصور الطبية ثلاثية الأبعاد. نحن نستخرج ميزات دلالية متعددة المستويات من الصور الأصلية باستخدام مُشفّر ونقوم بدمجها بإحكام مع عملية إزالة الضوضاء لنموذج الانتشار من خلال آلية تضمين هرمي دلالي (SHE) ، لالتقاط العلاقة المعقدة بين التسمية المفعمة بالضوضاء وبيانات الصورة. في الوقت نفسه، نصمم طبقة إدراك مقطعي عالمي (GSPM)، والتي تدمج آليات إدراك متعددة الأبعاد لمنح النموذج قدرات شاملة في التفكير المكاني واستخراج الميزات. تُظهر نتائج التجارب أن نموذج MambaDiff الذي اقترحناه يحقق أداءً تنافسيًا أكثر مقارنة بالطرق السابقة مع عدد أقل بكثير من المعلمات عبر أربعة مجموعات بيانات عامة لتجزئة الصور الطبية بما في ذلك BraTS 2021 وBraTS 2024 وLiTS وMSD Hippocampus. كود المصدر لطريقتنا متاح على https://github.com/yuliu316316/MambaDiff.
ليو وآخرون (الأربعاء) درسوا هذا السؤال.