Mamba用于3D体积医学图像分割的全面分析
计算机视觉与模式识别
2025-03-26 v1
摘要
Mamba采用选择性状态空间模型（State Space Models，SSMs），在处理长程依赖关系方面比Transformer更具计算效率。然而，关于其在高分辨率3D医学图像分割中的有效性仍存争议。本研究通过回答三个关键问题，对Mamba在3D医学图像分割中的能力进行全面调查：Mamba能否取代Transformer？它能否提升多尺度表征学习？是否需要复杂的扫描才能发挥其全部潜力？我们在三个大型公开基准测试上评估了Mamba的性能——AMOS、TotalSegmentator和BraTS。我们的发现表明，UlikeMamba（基于U型Mamba网络）持续优于UlikeTrans（基于U型Transformer网络），特别是在增强自定义3D深度可分离卷积后，准确率和计算效率均得到提升。进一步地，我们提出的多尺度Mamba模块在捕捉细粒度细节与全局上下文方面表现优异，尤其在复杂分割任务中超越了基于Transformer的方法。我们还批判性地评估了复杂扫描策略，发现更简单的方法往往足以，而我们提出的Tri-scan方法在最具挑战性的场景中也能提供显著优势。通过整合这些进展，我们引入了新的3D医学图像分割网络，使Mamba成为超过nnUNet、CoTr和U-Mamba等领先模型的变革性力量，同时以竞争性精度实现更高的计算效率。这一研究为更高效和更准确的3D医学影像提供了关键见解。
引用
@article{arxiv.2503.19308,
title = {A Comprehensive Analysis of Mamba for 3D Volumetric Medical Image Segmentation},
author = {Chaohan Wang and Yutong Xie and Qi Chen and Yuyin Zhou and Qi Wu},
journal= {arXiv preprint arXiv:2503.19308},
year = {2025}
}