Mamba 走向 HoME：面向 3D 医学图像分割的层次化软专家混合模型
图像与视频处理
2026-02-09 v4 计算机视觉与模式识别
摘要
近年来，人工智能在医学图像分割方面取得了显著进展。然而，跨模态的 3D 医学图像高效处理以及数据变异性的应对仍面临挑战。本文引入了层次化软专家混合模型（Hierarchical Soft Mixture-of-Experts, HoME），这是一种用于高效长程语境建模的两级 token 路由层，专为 3D 医学图像分割设计。基于 Mamba 选择性状态空间模型（SSM）骨架，HoME 通过自适应专家路由来增强序列建模。在第一级，软专家混合模型（Soft Mixture-of-Experts, SMoE）层将输入序列划分为局部组，并将 token 路由到特定的 per-group 专家以进行局部特征提取。第二级通过全局 SMoE 层对这些输出进行聚合，实现跨组信息融合和全局上下文细化。这种层次化设计将局部专家路由与全局专家细化相结合，增强了模型的泛化性和分割性能，在来自三大最常用 3D 医学影像模态且数据质量各异的数据集上均超越了当前最先进的成果。代码已公开于 https://github.com/gmum/MambaHoME。
引用
@article{arxiv.2507.06363,
title = {Mamba Goes HoME: Hierarchical Soft Mixture-of-Experts for 3D Medical Image Segmentation},
author = {Szymon Płotka and Gizem Mert and Maciej Chrabaszcz and Ewa Szczurek and Arkadiusz Sitek},
journal= {arXiv preprint arXiv:2507.06363},
year = {2026}
}
备注
Accepted at NeurIPS 2025