InceptionMamba: 用于显微医学图像分割的选择性状态空间模型的高效多阶段特征增强
计算机视觉与模式识别
2025-06-17 v1
摘要
精确的显微医学图像分割在诊断各种癌细胞和识别肿瘤中起着关键作用。受深度学习进展的驱动，卷积神经网络（CNNs）和基于Transformer的模型被广泛研究以扩大感受野并改善医学图像分割任务。然而，它们往往难以在背景杂乱和目标重叠等具有挑战性的场景中捕获复杂的细胞和组织结构。此外，它们依赖大型数据集来提高性能以及高计算成本，限制了其实用性。为了解决这些问题，我们提出了一个高效的分割框架InceptionMamba，它编码多阶段丰富特征并提供性能和计算效率。具体而言，我们利用语义线索捕获低频和高频区域，以丰富多阶段特征来处理模糊的区域边界（例如细胞边界）。这些丰富的特征被输入到一个结合了Inception深度可分离卷积和Mamba块的混合模型中，以保持高效率并捕获感兴趣区域在尺度和形状上的固有变化。这些丰富的特征与低分辨率特征融合以获得最终的分割掩码。我们的模型在两个具有挑战性的显微分割数据集（SegPC21和GlaS）以及两个皮肤病变分割数据集（ISIC2017和ISIC2018）上取得了最先进的性能，同时与之前最佳方法相比将计算成本降低了约5倍。
引用
@article{arxiv.2506.12208,
title = {InceptionMamba: Efficient Multi-Stage Feature Enhancement with Selective State Space Model for Microscopic Medical Image Segmentation},
author = {Daniya Najiha Abdul Kareem and Abdul Hannan and Mubashir Noman and Jean Lahoud and Mustansar Fiaz and Hisham Cholakkal},
journal= {arXiv preprint arXiv:2506.12208},
year = {2025}
}