Mamba-Sea：一种结合全局到局部序列增强的 Mamba 框架用于可泛化的医学图像分割
计算机视觉与模式识别
2025-04-25 v1
摘要
为了对存在分布偏移的医学图像进行分割，域泛化作为一种有前景的设定出现，旨在源域上训练模型使其能够泛化到未见的目标域。现有的 DG 方法主要基于 CNN 或 ViT 架构。最近，以 Mamba 为代表的先进状态空间模型在各种有监督医学图像分割中展现出有前景的结果。Mamba 的成功主要归功于其能够在保持与输入序列长度呈线性复杂度的同时捕获长距离依赖关系的能力，使其成为 CNN 和 ViT 的有前景的替代方案。受此成功启发，在本文中，我们探索了 Mamba 架构在解决医学图像分割 DG 中的分布偏移问题上的潜力。具体而言，我们提出了一种新颖的基于 Mamba 的框架 Mamba-Sea，结合全局到局部序列增强以提升模型在域偏移问题下的泛化能力。我们的 Mamba-Sea 引入了全局增强机制，旨在模拟不同站点间外观的潜在变化，旨在抑制模型对域特定信息的学习。在局部层面，我们提出了一种沿输入序列的序列级增强，通过对与域偏移相关的风格统计量进行建模和重采样，来扰动随机连续子序列中 token 的风格。据我们所知，Mamba-Sea 是首个探索 Mamba 在医学图像分割中泛化能力的工作，提供了一种先进且有前景的、对域偏移具有强鲁棒性的基于 Mamba 的架构。值得注意的是，我们提出的方法是首个在 Prostate 数据集上 Dice 系数超过 90% 的方法，超越了此前 88.61% 的 SOTA。代码可在 https://github.com/orange-czh/Mamba-Sea 获取。
引用
@article{arxiv.2504.17515,
title = {Mamba-Sea: A Mamba-based Framework with Global-to-Local Sequence Augmentation for Generalizable Medical Image Segmentation},
author = {Zihan Cheng and Jintao Guo and Jian Zhang and Lei Qi and Luping Zhou and Yinghuan Shi and Yang Gao},
journal= {arXiv preprint arXiv:2504.17515},
year = {2025}
}
备注
Accepted by IEEE TMI 2025. The code is available at https://github.com/orange-czh/Mamba-Sea