MambaX-Net：用于纵向 MRI 分割的双输入 Mamba 增强交叉注意力网络
计算机视觉与模式识别
2025-12-01 v2 人工智能
机器学习
摘要
主动随访（Active Surveillance, AS）是管理低至中风险前列腺癌（PCa）的治疗选项，旨在避免过度治疗，同时通过串联 MRI 和临床随访监测疾病进展。准确的前列腺分割是自动化这一过程的重要前提步骤，使我们能够自动检测和诊断 PCa。然而，现有的深度学习分割模型通常在单个时间点和专家标注的数据集上训练，难以适用于纵向 AS 分析，其中涉及多个时间点和稀缺的专家标签，限制了其有效微调。为此，我们提出了 MambaX-Net，这是一种新型的半监督、双扫描 3D 分割架构，通过利用时间点 t 的 MRI 图像和来自前一个时间点的相应分割掩码来计算该时间点的分割。我们引入了两个新组件：（i）Mamba 增强交叉注意力模块，将 Mamba 块集成到交叉注意力中，以有效捕获时间演化和长程空间依赖关系；（ii）形状提取器模块，将前一个分割掩码编码为潜在解剖表示，以实现更精细的区域分界。此外，我们引入了一种半监督自训练策略，利用来自预训练 nnU-Net 生成的伪标签，实现无需专家标注即可有效学习。MambaX-Net 在纵向 AS 数据集上进行了评估，结果表明它在分割前列腺区域方面显著优于最先进的 U-Net 和 Transformer 模型，即使在有限且噪声较大的数据上也能实现卓越的前列腺区域分割性能。
引用
@article{arxiv.2510.17529,
title = {MambaX-Net: Dual-Input Mamba-Enhanced Cross-Attention Network for Longitudinal MRI Segmentation},
author = {Yovin Yahathugoda and Davide Prezzi and Piyalitt Ittichaiwong and Vicky Goh and Sebastien Ourselin and Michela Antonelli},
journal= {arXiv preprint arXiv:2510.17529},
year = {2025}
}
备注
Updated the acknowledgments section to include the UKRI Open Access statement