ASM-UNet: Adaptive Scan Mamba che Integra Caratteristiche Comuni di Gruppo e Variazioni Individuali per la Segmentazione Fine-Granularità

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

August 10, 2025

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

cs.AI

Abstract

La resezione precisa delle lesioni dipende dall'identificazione accurata di strutture anatomiche a grana fine. Sebbene molti metodi di segmentazione a grana grossa (CGS) abbiano avuto successo nella segmentazione su larga scala (ad esempio, organi), risultano insufficienti negli scenari clinici che richiedono una segmentazione a grana fine (FGS), che rimane impegnativa a causa delle frequenti variazioni individuali nelle strutture anatomiche su piccola scala. Nonostante i recenti modelli basati su Mamba abbiano fatto progressi nella segmentazione delle immagini mediche, spesso si basano su ordini di scansione fissi e definiti manualmente, limitando la loro adattabilità alle variazioni individuali nella FGS. Per affrontare questo problema, proponiamo ASM-UNet, una nuova architettura basata su Mamba per la FGS. Introduce punteggi di scansione adattativi per guidare dinamicamente l'ordine di scansione, generati combinando le caratteristiche comuni a livello di gruppo e le variazioni a livello individuale. Esperimenti su due dataset pubblici (ACDC e Synapse) e su un nuovo dataset proposto per la FGS del tratto biliare, denominato BTMS, dimostrano che ASM-UNet raggiunge prestazioni superiori sia nei compiti di CGS che di FGS. Il nostro codice e il dataset sono disponibili all'indirizzo 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.