MM-UNet：用于医学图像分割的元 Mamba UNet
图像与视频处理
2025-03-25 v1 计算机视觉与模式识别
摘要
状态空间模型 (SSM) 最近在长序列建模方面展现出卓越性能，尤其在自然语言处理领域。然而，其直接应用于医学图像分割面临诸多挑战。SSM 原本为 1D 序列设计，由于在展平处理中引入的离散性，难以处理医学图像中的 3D 空间结构。此外，SSM 在适应高变动数据的难度较大，而医学成像数据常具有高变动性。在本文中，我们分析了 SSM 在医学图像分割中的内在局限性，并提出一种统一的 U 型编码器-解码器架构，即元 Mamba UNet (MM-UNet)，旨在利用 SSM 的优势同时缓解其缺点。MM-UNet 包含混合模块，将 SSM 集成到残差连接中，以降低变动性并提升性能。进一步，我们引入一种新颖的双向扫描顺序策略，以缓解医学图像处理中的离散性。广泛的在 AMOS2022 和 Synapse 数据集上的实验表明，MM-UNet 的性能优于最新方法。在 AMOS2022 数据集上实现 91.0% 的 Dice 评分，超越 nnUNet 3.2%；在 Synapse 数据集上实现 87.1% 的 Dice 评分。这些结果确认了通过架构设计优化将 SSM 集成到医学图像分割中的有效性。
引用
@article{arxiv.2503.17540,
title = {MM-UNet: Meta Mamba UNet for Medical Image Segmentation},
author = {Bin Xie and Yan Yan and Gady Agam},
journal= {arXiv preprint arXiv:2503.17540},
year = {2025}
}