UU-Mamba: Uncertainty-aware U-Mamba for Cardiac Image Segmentation

生物医学图像分割对于在医学成像中准确识别和分析解剖结构至关重要，尤其是在心脏MRI中。手动分割工作量大、耗时长且容易出错，突显了自动化方法的必要性。然而，当前的机器学习方法面临着过度拟合和数据需求等挑战。为了解决这些问题，我们提出了一种新的UU-Mamba模型，将U-Mamba模型与Sharpness-Aware Minimization（SAM）优化器和一种不确定性感知的损失函数相结合。SAM通过定位损失景观中的平坦最小值来增强泛化能力，从而减少过度拟合。不确定性感知的损失结合了基于区域、基于分布和基于像素的损失设计，以提高分割的准确性和鲁棒性。我们的方法在ACDC心脏数据集上进行了评估，表现优于TransUNet、Swin-Unet、nnUNet和nnFormer等最先进的模型。我们的方法实现了Dice相似系数（DSC）和均方误差（MSE）得分，证明了它在心脏MRI分割中的有效性。

解决问题：该论文旨在解决医学图像分割中手动分割耗时、易出错的问题，提出了一种新的自动化分割方法。

关键思路：论文提出了一种新的UU-Mamba模型，将U-Mamba模型与Sharpness-Aware Minimization（SAM）优化器和不确定性感知损失函数相结合。SAM通过定位损失函数平坦最小值来提高泛化能力，从而减少过拟合。不确定性感知损失结合了基于区域、分布和像素的损失设计，提高了分割的准确性和鲁棒性。

其他亮点：论文在ACDC心脏数据集上进行了评估，表现优于TransUNet、Swin-Unet、nnUNet和nnFormer等现有模型。实验设计充分，使用了公开数据集，并提供了开源代码。该方法在医学图像分割领域具有重要的应用价值，值得进一步研究。

相关研究：最近的相关研究包括TransUNet、Swin-Unet、nnUNet和nnFormer等模型。