SAMba-UNet：用于医学机器人感知的 SAM2-Mamba UNet 心脏 MRI 分割
计算机视觉与模式识别
2025-09-10 v2
摘要
为解决自动化心脏 MRI 分割中复杂病灶特征提取的问题，我们提出了 SAMba-UNet，一种新型双编码器架构，通过协同融合视觉基础模型 SAM2、线性复杂度状态空间模型 Mamba 以及经典 UNet，实现跨模态协作特征学习；为克服自然图像与医学扫描之间的领域迁移，我们引入了动态特征融合细化器，通过多尺度池化和通道-空间双路径校准来强化小病灶和细节结构的表征；我们设计了异构 Omni-Attention 收敛模块（HOACM），通过全局上下文注意力和分支选择性注意力，将 SAM2 的局部位置语义与 Mamba 的长程依赖建模融合，显著提升全局一致性和边界精度。在 ACDC 心脏 MRI 数据集上，SAMba-UNet 实现了 Dice为 0.9103 和 HD95为 1.0859 mm，显著改进了右心室等困难结构的边界定位；其稳健且高保真的分割图可直接应用于智能医疗和外科机器人系统中，用于术前规划、手术导航和术后并发症筛查；代码将开源以促进临床转化和进一步验证。
引用
@article{arxiv.2505.16304,
title = {SAMba-UNet: SAM2-Mamba UNet for Cardiac MRI in Medical Robotic Perception},
author = {Guohao Huo and Ruiting Dai and Ling Shao and Hao Tang},
journal= {arXiv preprint arXiv:2505.16304},
year = {2025}
}