TM-UNet：基于token-memory增强的顺序医学图像分割
计算机视觉与模式识别
2025-11-18 v1
摘要
医学图像分割是临床诊断和治疗规划的关键任务。虽然基于transformer的方法取得了显著进展，但其高计算成本限制了临床部署。为此，我们提出TM-UNet，一个集成token序列建模与高效记忆机制的轻量级框架，用于高效医学分割。具体而言，我们引入一个多尺度token-memory块（MSTM），通过战略性空间扫描将2D空间特征转化为token序列，利用矩阵记忆细胞选择性地保留和传递token之间判别性上下文信息。这种新颖的token-memory机制充当动态知识存储库，通过线性复杂度捕获长程依赖，实现无冗余计算的全局推理。我们的MSTM块进一步集成指数门控以识别token有效性，并通过并行池化操作实现多尺度上下文提取，实现无计算开销的层次化表示学习。广泛的实验表明，TM-UNet在多样化的医学分割任务上超越了最先进的方法，同时显著降低了计算成本。代码已公开https://github.com/xq141839/TM-UNet。
引用
@article{arxiv.2511.12270,
title = {TM-UNet: Token-Memory Enhanced Sequential Modeling for Efficient Medical Image Segmentation},
author = {Yaxuan Jiao and Qing Xu and Yuxiang Luo and Xiangjian He and Zhen Chen and Wenting Duan},
journal= {arXiv preprint arXiv:2511.12270},
year = {2025}
}