ASM-UNet: Mamba de Escaneo Adaptativo que Integra Características Comunes de Grupo y Variaciones Individuales para Segmentación de Grano Fino

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

August 10, 2025

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

cs.AI

Resumen

La resección precisa de lesiones depende de la identificación exacta de estructuras anatómicas de grano fino. Si bien muchos métodos de segmentación de grano grueso (CGS) han tenido éxito en la segmentación a gran escala (por ejemplo, órganos), se quedan cortos en escenarios clínicos que requieren segmentación de grano fino (FGS), lo cual sigue siendo un desafío debido a las variaciones individuales frecuentes en estructuras anatómicas a pequeña escala. Aunque los modelos recientes basados en Mamba han avanzado en la segmentación de imágenes médicas, a menudo dependen de órdenes de escaneo fijos definidos manualmente, lo que limita su adaptabilidad a las variaciones individuales en FGS. Para abordar esto, proponemos ASM-UNet, una arquitectura novedosa basada en Mamba para FGS. Introduce puntuaciones de escaneo adaptativas para guiar dinámicamente el orden de escaneo, generadas al combinar similitudes a nivel de grupo y variaciones a nivel individual. Los experimentos en dos conjuntos de datos públicos (ACDC y Synapse) y un nuevo conjunto de datos desafiante de FGS del tracto biliar, denominado BTMS, demuestran que ASM-UNet logra un rendimiento superior tanto en tareas de CGS como de FGS. Nuestro código y conjunto de datos están disponibles en https://github.com/YqunYang/ASM-UNet.

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.