UD-Mamba：一种用于医学图像分割的像素级不确定性驱动Mamba模型

近期进展突显了Mamba框架，这是一种状态空间模型，以其在线性计算复杂度下捕获长距离依赖关系的效率而闻名。尽管Mamba在医学图像分割中表现出有竞争力的性能，但由于传统基于位置的扫描方法的零散性以及医学图像中常出现的复杂、模糊边界，它在建模局部特征时遇到困难。为克服这些挑战，我们提出了不确定性驱动Mamba（UD-Mamba），它通过将通道不确定性引入扫描机制，重新定义了像素顺序扫描过程。UD-Mamba引入了两种关键的扫描技术：1）顺序扫描，通过逐行扫描的方式优先处理高不确定性区域；2）跳跃扫描，以固定间隔垂直处理列，从高到低或从低到高不确定性移动。顺序扫描有效地聚类高不确定性区域（如边界和前景对象），以提高分割精度，而跳跃扫描增强了背景与前景区域之间的交互，允许及时整合背景信息以支持更准确的前景推断。认识到从确定区域扫描到不确定区域的优势，我们引入了四个可学习参数来平衡从不同扫描方法提取的特征的重要性。此外，采用余弦一致性损失来减轻扫描过程中在不确定与确定区域之间转换的缺点。我们的方法展示了鲁棒的分割性能，并在涉及病理学、皮肤病变和心脏任务的三个不同医学影像数据集上得到了验证。