U-Mamba : Amélioration de la dépendance à longue portée pour la segmentation d’images biomédicales

Les réseaux de neurones convolutifs (CNN) et les Transformers constituent les architectures les plus populaires pour la segmentation d’images biomédicales, mais les deux présentent une capacité limitée à traiter les dépendances à longue portée en raison de leur localité intrinsèque ou de leur complexité computationnelle. Pour relever ce défi, nous introduisons U-Mamba, un réseau généraliste dédié à la segmentation d’images biomédicales. Inspiré par les modèles de séquence à espace d’état (SSMs), une nouvelle famille de modèles profonds spécialisés dans la gestion des séquences longues, nous proposons un bloc hybride CNN-SSM qui combine la puissance d’extraction de caractéristiques locales des couches convolutives avec la capacité des SSMs à capturer des dépendances à longue portée. En outre, U-Mamba intègre un mécanisme d’auto-configuration, lui permettant de s’adapter automatiquement à divers jeux de données sans intervention manuelle. Nous menons des expériences approfondies sur quatre tâches diverses, incluant la segmentation des organes abdominaux en 3D à partir d’images CT et IRM, la segmentation d’instruments dans des images d’endoscopie, ainsi que la segmentation de cellules à partir d’images de microscopie. Les résultats montrent que U-Mamba surpasser les réseaux de segmentation basés sur les CNN et les Transformers d’avant-garde sur toutes les tâches. Cela ouvre de nouvelles perspectives pour une modélisation efficace des dépendances à longue portée dans l’analyse d’images biomédicales. Le code, les modèles et les données sont disponibles publiquement à l’adresse suivante : https://wanglab.ai/u-mamba.html.