CenterMamba-SAM: 用于脑病变分割的中心优先扫描与时序原型方法
计算机视觉与模式识别
2025-11-04 v1
摘要
脑病变分割由于小尺寸、低对比度病变、各向异性采样以及跨切片不连续性而仍然具有挑战性。我们提出CenterMamba-SAM，一个端到端框架，它冻结预训练骨干网络，仅训练轻量级适配器以实现高效微调。其核心是CenterMamba编码器，采用新颖的3x3角-轴-中心短序列扫描策略，实现中心优先、轴增强和对角补偿的信息聚合。该设计增强了对弱边界和微小病灶的敏感性，同时保持稀疏但有效的特征表示。一个记忆驱动的结构提示生成器在相邻切片间维护一个原型库，无需用户交互即可自动合成可靠提示，从而改善切片间连贯性。记忆增强多尺度解码器在多个层级集成记忆注意力模块，将深度监督与渐进细化相结合，在保持全局一致性的同时恢复精细细节。在公开基准上的大量实验表明，CenterMamba-SAM在脑病变分割中达到了最先进的性能。
引用
@article{arxiv.2511.01243,
title = {CenterMamba-SAM: Center-Prioritized Scanning and Temporal Prototypes for Brain Lesion Segmentation},
author = {Yu Tian and Zhongheng Yang and Chenshi Liu and Yiyun Su and Ziwei Hong and Zexi Gong and Jingyuan Xu},
journal= {arXiv preprint arXiv:2511.01243},
year = {2025}
}