Key points are not available for this paper at this time.
의료 이미지 분류는 컴퓨터 비전 분야에서 매우 기본적이고 중요한 작업입니다. 최근 몇 년 동안, CNN 기반 및 Transformer 기반 모델이 다양한 의료 이미지를 분류하는 데 널리 사용되고 있습니다. 불행히도, CNN의 장거리 모델링 능력의 한계는 의료 이미지에서 세밀한 특징을 효과적으로 추출하는 것을 방해하며, Transformer는 이차 계산 복잡도로 인해 제약을 받습니다. 최근 연구에 따르면, Mamba로 표현된 상태 공간 모델(SSM)은 선형 계산 복잡성을 유지하면서 장거리 상호 작용을 효율적으로 모델링할 수 있습니다. 이를 바탕으로, 우리는 의료 이미지 분류를 위한 Vision Mamba (MedMamba)를 제안합니다. 보다 구체적으로, 우리는 합성곱 레이어의 지역적 특징 추출 능력과 SSM의 장거리 의존성을 포착하는 능력을 결합한 새로운 Conv-SSM 모듈을 소개합니다. MedMamba의 잠재력을 보여주기 위해, 우리는 세 가지 공개 의료 데이터 세트(Kvasir(내시경 이미지), FETALPLANESDB(초음파 이미지), Covid19-Pneumonia-Normal Chest X-Ray(X선 이미지))와 두 개의 개인 데이터 세트를 사용하여 광범위한 실험을 실시했습니다. 실험 결과, 제안된 MedMamba가 다양한 의료 이미지에서 병변을 잘 탐지하는 것을 보여주었습니다. 우리가 아는 한, 이것은 의료 이미지 분류를 위해 특별히 설계된 첫 번째 Vision Mamba입니다. 이 작업의 목적은 의료 이미지 분류 작업을 위한 새로운 기준선을 설정하고 향후 더 효율적이고 효과적인 SSM 기반 인공지능 알고리즘 및 응용 시스템 개발을 위한 귀중한 통찰력을 제공하는 것입니다. 소스 코드는 https://github.com/YubiaoYue/MedMamba 에서 확인할 수 있습니다.
Yue et al. (수요일) 이 질문을 연구했습니다.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: