面向低资源 MRI 分析的高效 Mamba 基 segmentation 双路径精炼
计算机视觉与模式识别
2025-11-18 v1
摘要
在资源受限的环境中, 自动化大脑肿瘤分割仍具有挑战性, 因为深度 3D 网络在计算上不可行。我们提出 MMRINet, 一个轻量级架构, 用线性复杂度的 Mamba 状态空间模型取代二次复杂度注意力, 实现高效的体积上下文建模。创新的双路径特征精炼(DPFR)模块在不增加数据要求的前提下最大化特征多样性, 而渐进特征聚合(PFA)则实现有效的多尺度融合。在 BraTS-Lighthouse SSA 2025 中, 我们的模型以平均 Dice 评分为 (0.752) 和平均 HD95 为 (12.23) 的强大性能, 仅使用约 2.5M 参数, 显示出适用于低资源临床环境的高效且准确的分割能力。我们的 GitHub 仓库可在 github.com/BioMedIA-MBZUAI/MMRINet 访问。
引用
@article{arxiv.2511.12193,
title = {MMRINet: Efficient Mamba-Based Segmentation with Dual-Path Refinement for Low-Resource MRI Analysis},
author = {Abdelrahman Elsayed and Ahmed Jaheen and Mohammad Yaqub},
journal= {arXiv preprint arXiv:2511.12193},
year = {2025}
}
备注
Under Review at The IEEE International Symposium on Biomedical Imaging (ISBI 2026)