基于自适应Mamba类注意力与因果共振学习的医学图像分割UNet
图像与视频处理
2025-10-20 v2 人工智能
计算机视觉与模式识别
摘要
医学图像分割在临床应用中发挥重要作用，但现有深度学习模型在效率与准确性之间面临权衡。卷积神经网络(CNN)擅长捕获局部细节但忽略全局上下文，而Transformer处理全局上下文但计算成本高。最近，基于状态空间序列模型(SSMs)的长程依赖建模具有线性复杂度优势，但其直接用于医学图像分割受限于与图像结构不兼容及自回归假设。为此，我们提出SAMA-UNet，一种新型U型架构，包含两个关键创新：① 自适应Mamba类聚合注意力(SAMA)模块通过动态注意力加权适时整合局部与全局特征，高效表征复杂解剖模式；② 因果共振多尺度模块(CR-MSM)通过调整尺度间特征分辨率与因果依赖，增强编码器-解码器间语义对齐。在MRI、CT和内镜图像数据集上进行大量实验表明，SAMA-UNet持续优于CNN、Transformer和Mamba类方法。在BTCV上实现85.38% DSC和87.82% NSD，在ACDC上达92.16%和96.54%，在EndoVis17上达67.14%和68.70%，在ATLAS23上达84.06%和88.47%，树立了跨模态的最新基准。结果证明SAMA-UNet在效率与准确性间取得平衡，为实际临床分割任务提供了有前景的解决方案。源代码已在GitHub提供。
引用
@article{arxiv.2505.15234,
title = {UNet with Self-Adaptive Mamba-Like Attention and Causal-Resonance Learning for Medical Image Segmentation},
author = {Saqib Qamar and Mohd Fazil and Parvez Ahmad and Shakir Khan and Abu Taha Zamani},
journal= {arXiv preprint arXiv:2505.15234},
year = {2025}
}