Patch-MoE Mamba：面向医学图像分割的分块有序混合专家状态空间架构
计算机视觉与模式识别
2026-05-19 v1
摘要
CNN 和 Transformer-based 架构在医学图像分割中取得了强大的性能，但 CNN 在建模长程依赖方面受限，而 Transformer 常因二次计算和内存复杂度受到制约。基于 Mamba 的状态空间模型提供了一种高效替代方案，具有线性序列复杂度。然而，现有的 Mamba 分割模型仍面临两个局限：像素级方向扫描会破坏局部二维空间结构，简单求和式的扫描方向融合无法适应多样化的对象尺寸、形状和边界。为此，我们提出 Patch-MoE Mamba，一种面向医学图像分割的分块有序混合专家状态空间架构。它引入分层分块有序扫描机制，在保持局部空间邻域的同时捕获多尺度上下文，并引入基于 MoE 的方向融合模块，通过四个方向专家、可学习的拼接专家和残差方向聚合，自适应组合多个 Mamba 扫描器的输出。在五个公开的结肠息肉分割基准和 ISIC 2017/2018 皮肤病灶分割数据集上的实验表明，Patch-MoE Mamba 的有效性和通用性得到了验证。
引用
@article{arxiv.2605.17719,
title = {Patch-MoE Mamba: A Patch-Ordered Mixture-of-Experts State Space Architecture for Medical Image Segmentation},
author = {Diego Adame and Fabian Vazquez and Jose A. Nunez and Huimin Li and Jinghao Yang and Erik Enriquez and DongChul Kim and Haoteng Tang and Bin Fu and Pengfei Gu},
journal= {arXiv preprint arXiv:2605.17719},
year = {2026}
}