MambaClinix：用于增强 3D 医学图像分割的层次化门控卷积与 Mamba

深度学习，特别是卷积神经网络 (CNN) 和 Transformer，已显著推动了 3D 医学图像分割的发展。虽然 CNN 在捕获局部特征方面效果极佳，但其受限的感受野可能限制在复杂临床情景下的性能。相比之下，Transformer 在建模长程依赖方面卓越，但计算密集，训练和部署成本高昂。最近，基于状态空间模型 (SSM) 的 Mamba 架构被提出用于高效建模长程依赖，同时保持线性计算复杂度。然而，其在医学图像分割中的应用揭示了不足，特别是捕获对准确描绘临床区域至关重要的局部特征。本研究提出 MambaClinix，一种 novel 的 U 型架构，用于医学图像分割，将层次化门控卷积网络 (HGCN) 与 Mamba 集成于自适应分阶段框架中。该设计显著提升了计算效率和高阶空间相互作用，使模型能够有效捕获医学图像中的近距离和远距离关系。具体而言，我们的 HGCN 通过纯粹的卷积结构模拟 Transformer 的注意力机制，促进特征图中高阶空间相互作用，同时避免 Transformer 方法通常承担的计算复杂度。此外，我们引入区域特定 Tversky 损失，强调特定像素区域以提高自动分割性能，从而优化模型的决策过程。在五个基准数据集上的实验结果表明，所提出的 MambaClinix 在保持低模型复杂度的同时实现了高分割精度。