融合 Mamba 序列模型与分层上采样网络实现多发性硬化病灶的精确语义分割

在医学图像分割中融合卷积神经网络与状态空间模型的组件，为提升精度与效率提供了一种极具吸引力的方法。我们提出 Mamba HUNet，一种专为鲁棒且高效的分割任务量身定制的新型架构。Mamba HUNet 结合了 Mamba UNet 与轻量版分层上采样网络 (Hierarchical Upsampling Network, HUNet) 的优势，融合了卷积神经网络的局部特征提取能力与状态空间模型的长程依赖建模能力。我们首先将 HUNet 转换为一个保持性能相当的轻量版本，随后将该轻量 HUNet 集成到 Mamba HUNet 中，进一步提升了其效率。该架构将输入灰度图像划分为图像块，并将其转换为一维序列，以实现类似于 Vision Transformer 和 Mamba 模型的处理效率。通过视觉状态空间块和图像块合并层，在保留空间信息的同时提取层次化特征。在公开的磁共振成像扫描数据上，特别是在多发性硬化病灶分割中的实验结果表明，Mamba HUNet 在多种分割任务中均表现出有效性。该模型的鲁棒性与灵活性凸显了其处理复杂解剖结构的潜力。这些发现确立了 Mamba HUNet 作为推进医学图像分割的一种有前景的解决方案，对改善临床决策过程具有重要意义。