SSFMamba：用于物理一致性 3D 医学图像分割的基于对称性驱动的时空建模
计算机视觉与模式识别
2026-03-03 v2
摘要
准确的 3D 医学图像分割需要在细粒度局部细节与全局上下文理解之间保持 delicate 的平衡。虽然空间域模型在处理长程依赖方面常常不堪一击，但现有的频率方法经常忽视内在谱特性，如厄米特共轭，导致特征集成次优。本文提出了 SSFMamba，一个针对 3D 医学成像的基于 Mamba 的对称性驱动时空融合框架。我们的体系结构采用互补双分支设计：空间分支保留复杂的解剖纹理，而频率分支在频率域中捕获全局上下文依赖性。核心创新是 3D 多方向扫描机制(MDSM)，该机制将厄米特共轭与状态空间模型(SSM)的因果性相结合，以实现方向感知的全局建模。关键的是，通过将建模焦点转向频率域谱分量，SSFMamba 捕获解剖组织组织结构的底层特征。这导致一个高度可适应的框架，优异地适用于 MRI 和 CT 应用，无论其严格的强度分布差异。广泛的评估在 BraTS2020、BraTS2023 和 BTCV 数据集上都表明，SSFMamba 持续地优于最先进的方法。值得注意的是，我们的方法在低对比度器官如胰腺(81.97% Dice) 上实现了卓越的性能，凸显其作为多样化 3D 临床应用的统一且物理一致的感知框架的潜力。
引用
@article{arxiv.2508.03069,
title = {SSFMamba: Learning Symmetry-driven Spatial-Frequency Modeling for Physically Consistent 3D Medical Image Segmentation},
author = {Bo Zhang and Yifan Zhang and Shuo Yan and Yu Bai and Zheng Zhang and Wu Liu and Wendong Wang and Yongdong Zhang},
journal= {arXiv preprint arXiv:2508.03069},
year = {2026}
}