MS-UMamba：用于胎儿腹部医学图像分割的改进型 Vision Mamba U-Net
计算机视觉与模式识别
2025-06-17 v1 人工智能
摘要
近年来，基于 Mamba 的方法因其轻量级设计和长程依赖建模能力在医学图像分割中变得流行。然而，现有的分割方法在胎儿超声图像中经常遇到挑战，如封闭的解剖结构、模糊的边界和小型解剖结构。为满足局部特征提取与全局上下文建模之间的平衡需求，我们提出了 MS-UMamba，这是一种新颖的混合卷积-Mamba 模型，用于胎儿超声图像分割。具体而言，我们设计了一种视觉状态空间块（SS-MCAT-SSM），集成了 CNN 分支，利用 Mamba 的全局建模优势和卷积层的局部表示优势来增强特征学习。此外，我们还提出了一种高效的多尺度特征融合模块，该模块集成了空间注意力机制，通过整合来自不同层的特征信息来增强模型的特征表示能力。最后，我们在非公开数据集上进行了广泛实验，实验结果表明 MS-UMamba 模型在分割性能方面表现出色。
引用
@article{arxiv.2506.12441,
title = {MS-UMamba: An Improved Vision Mamba Unet for Fetal Abdominal Medical Image Segmentation},
author = {Caixu Xu and Junming Wei and Huizhen Chen and Pengchen Liang and Bocheng Liang and Ying Tan and Xintong Wei},
journal= {arXiv preprint arXiv:2506.12441},
year = {2025}
}