T-Mamba: Frequency-Enhanced Gated Long-Range Dependency for Tooth 3D CBCT Segmentation

三维成像中高效的牙齿分割对于正畸诊断至关重要，但由于CBCT图像中存在噪声、低对比度和伪影等问题，因此仍然具有挑战性。卷积神经网络（CNN）和Transformer已成为图像分割的流行架构，但由于固有的局部性或计算复杂性，它们处理长距离依赖性的效果受到限制。为了解决这个问题，我们提出了T-Mamba，将共享位置编码和基于频率的特征集成到Vision Mamba中，以解决空间位置保留和频率域特征增强的限制。此外，我们还设计了门控选择单元，以自适应地将两个空间域特征和一个频率域特征进行整合。T-Mamba是第一个将基于频率的特征引入Vision Mamba的工作。广泛的实验表明，T-Mamba在公共牙齿CBCT数据集上实现了新的SOTA结果，并且在IoU + 3.63％，SO + 2.43％，DSC +2.30％，HD -4.39mm和ASSD -0.37mm方面优于以前的SOTA方法。代码和模型可在https://github.com/isbrycee/T-Mamba上公开获取。

如何在CBCT图像中高效地进行牙齿分割，以便进行正畸诊断？

提出了T-Mamba方法，将共享的位置编码和基于频率的特征集成到Vision Mamba中，以解决空间位置保留和频域特征增强的限制，并设计了门控选择单元以自适应地集成两个空间域特征和一个频域特征。

实验结果表明，T-Mamba在公共Tooth CBCT数据集上实现了新的SOTA结果，并且在IoU、SO、DSC、HD和ASSD等指标上均优于之前的SOTA方法。此外，代码和模型已公开发布。

最近的相关研究包括使用CNN和transformers进行图像分割，以及使用各种方法处理CBCT图像中的噪声、低对比度和伪影等问题。