DRBD-Mamba：基于分析见解的稳健高效脑肿瘤分割
计算机视觉与模式识别
2026-03-06 v3
摘要
精准的脑肿瘤分割对于临床诊断和治疗至关重要，但由于肿瘤异质性，仍面临挑战。Mamba 基于状态空间模型在此任务上展现出巨大的潜力。然而，尽管相较于其他神经网络架构具有计算效率优势，但其在该任务上仍因在多个空间轴上进行顺序特征计算而产生显著开销。此外，其他 Mamba 模型在 diverse BraTS 数据分区上的鲁棒性研究仍有限，这在可靠评估方面留下了关键空白。为此，我们首先提出一种双分辨率双向 Mamba（DRBD-Mamba），一种高效的 3D 分割模型，能够以最小计算开销捕获多尺度长程依赖。我们利用空间填充曲线在 3D 到 1D 特征映射中保持空间局部性，从而减少对计算密集型多轴特征扫描的依赖。为丰富特征表示，我们提出了一种门控融合模块，能够适配性地整合前向和逆向上下文，同时引入量化模块以提高鲁棒性。我们进一步提出了对 BraTS2023 的五个系统性折叠，以严格评估在多种条件下的分割技术，并呈现常见失败情景的分析。在由近期方法使用的 20% 测试集上，我们的模型在整体肿瘤、肿瘤核心和增强肿瘤上的 Dice 分数分别提高了 0.10%、1.75% 和 0.93%。在提出的系统性折叠上的评估显示，我们的模型在保持具竞争力的整体肿瘤准确率的同时，平均 Dice 分数在肿瘤核心提高 1.16%，增强肿瘤提高 1.68%。此外，我们的模型在保持高分割准确率的同时实现了 15 倍的效率提升，凸显了其在鲁棒性和计算效率方面的优势。
引用
@article{arxiv.2510.14383,
title = {DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights},
author = {Danish Ali and Ajmal Mian and Naveed Akhtar and Ghulam Mubashar Hassan},
journal= {arXiv preprint arXiv:2510.14383},
year = {2026}
}