ASM-UNet : Mamba d'Analyse Adaptative Intégrant les Points Communs de Groupe et les Variations Individuelles pour la Segmentation Fine

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

La résection précise des lésions dépend de l'identification exacte des structures anatomiques fines. Bien que de nombreuses méthodes de segmentation grossière (CGS) aient réussi dans la segmentation à grande échelle (par exemple, les organes), elles sont insuffisantes dans les scénarios cliniques nécessitant une segmentation fine (FGS), qui reste un défi en raison des variations individuelles fréquentes dans les structures anatomiques de petite échelle. Bien que les modèles récents basés sur Mamba aient fait progresser la segmentation d'images médicales, ils reposent souvent sur des ordres de balayage fixes définis manuellement, ce qui limite leur adaptabilité aux variations individuelles dans la FGS. Pour remédier à cela, nous proposons ASM-UNet, une nouvelle architecture basée sur Mamba pour la FGS. Elle introduit des scores de balayage adaptatifs pour guider dynamiquement l'ordre de balayage, générés en combinant les points communs au niveau du groupe et les variations au niveau individuel. Les expériences sur deux ensembles de données publics (ACDC et Synapse) et un nouvel ensemble de données difficile de segmentation fine des voies biliaires, nommé BTMS, démontrent qu'ASM-UNet obtient des performances supérieures dans les tâches de CGS et de FGS. Notre code et notre ensemble de données sont disponibles à l'adresse 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.