ASM-UNet: Adaptives Scan-Mamba-Netzwerk zur Integration von Gruppenähnlichkeiten und individuellen Variationen für feinkörnige Segmentierung

ASM-UNet: Adaptive Scan Mamba Integrating Group Commonalities and Individual Variations for Fine-Grained Segmentation

August 10, 2025

papers.authors: Bo Wang, Mengyuan Xu, Yue Yan, Yuqun Yang, Kechen Shu, Wei Ping, Xu Tang, Wei Jiang, Zheng You

cs.AI

papers.abstract

Die präzise Resektion von Läsionen hängt von der genauen Identifizierung feingranularer anatomischer Strukturen ab. Während viele Methoden zur grobgranularen Segmentierung (CGS) bei der großflächigen Segmentierung (z. B. von Organen) erfolgreich waren, sind sie in klinischen Szenarien, die eine feingranulare Segmentierung (FGS) erfordern, unzureichend. Dies bleibt aufgrund häufiger individueller Variationen in kleinskaligen anatomischen Strukturen eine Herausforderung. Obwohl neuere Mamba-basierte Modelle die Segmentierung medizinischer Bilder vorangetrieben haben, verlassen sie sich oft auf festgelegte, manuell definierte Scan-Reihenfolgen, was ihre Anpassungsfähigkeit an individuelle Variationen in der FGS einschränkt. Um dies zu beheben, schlagen wir ASM-UNet vor, eine neuartige Mamba-basierte Architektur für FGS. Sie führt adaptive Scan-Bewertungen ein, um die Scan-Reihenfolge dynamisch zu steuern, die durch die Kombination von gruppenbezogenen Gemeinsamkeiten und individuellen Variationen generiert werden. Experimente auf zwei öffentlichen Datensätzen (ACDC und Synapse) und einem neu vorgeschlagenen anspruchsvollen Datensatz zur feingranularen Segmentierung des Gallengangsystems, nämlich BTMS, zeigen, dass ASM-UNet sowohl bei CGS- als auch bei FGS-Aufgaben überlegene Leistungen erzielt. Unser Code und der Datensatz sind unter https://github.com/YqunYang/ASM-UNet verfügbar.

English

Precise lesion resection depends on accurately identifying fine-grained anatomical structures. While many coarse-grained segmentation (CGS) methods have been successful in large-scale segmentation (e.g., organs), they fall short in clinical scenarios requiring fine-grained segmentation (FGS), which remains challenging due to frequent individual variations in small-scale anatomical structures. Although recent Mamba-based models have advanced medical image segmentation, they often rely on fixed manually-defined scanning orders, which limit their adaptability to individual variations in FGS. To address this, we propose ASM-UNet, a novel Mamba-based architecture for FGS. It introduces adaptive scan scores to dynamically guide the scanning order, generated by combining group-level commonalities and individual-level variations. Experiments on two public datasets (ACDC and Synapse) and a newly proposed challenging biliary tract FGS dataset, namely BTMS, demonstrate that ASM-UNet achieves superior performance in both CGS and FGS tasks. Our code and dataset are available at https://github.com/YqunYang/ASM-UNet.