ASM-UNet：用于细粒度分割的自适应扫描Mamba集成组间共性与个体差异
计算机视觉与模式识别
2025-08-12 v1
摘要
精确的病灶切除取决于准确识别细粒度解剖结构。虽然许多粗粒度分割（CGS）方法在大规模分割（例如器官）方面取得了成功，但在需要细粒度分割（FGS）的临床场景中表现不足，这种情况下的小规模解剖结构常常存在显著的个体差异。虽然最近的Mamba模型在医学图像分割方面取得了进展，但它们通常依赖于固定的人工定义的扫描顺序，这限制了其对FGS中个体差异的适应性。为此，我们提出了ASM-UNet，这是一个用于FGS的新型Mamba架构。它引入自适应扫描得分，通过结合组级共性和个体层面的差异来动态引导扫描顺序。在两个公开数据集（ACDC和Synapse）以及一个新提出的具有挑战性的胆囊管细粒度分割数据集（BTMS）上的实验表明，ASM-UNet在两项任务中都取得了优异的性能。我们的代码和数据集已提供于https://github.com/YqunYang/ASM-UNet。
引用
@article{arxiv.2508.07237,
title = {ASM-UNet: Adaptive Scan Mamba Integrating Group Commonalities and Individual Variations for Fine-Grained Segmentation},
author = {Bo Wang and Mengyuan Xu and Yue Yan and Yuqun Yang and Kechen Shu and Wei Ping and Xu Tang and Wei Jiang and Zheng You},
journal= {arXiv preprint arXiv:2508.07237},
year = {2025}
}