ASM-UNet: 세분화된 분할을 위한 그룹 공통성과 개별 변이를 통합한 적응형 스캔 맘바

초록

정확한 병변 절제는 세밀한 해부학적 구조를 정확하게 식별하는 데 달려 있습니다. 많은 대규모 분할(CGS) 방법들이 장기와 같은 대규모 분할에서는 성공적이었지만, 소규모 해부학적 구조에서 빈번히 발생하는 개인별 변이로 인해 세밀한 분할(FGS)이 필요한 임상 시나리오에서는 한계를 보입니다. 최근 Mamba 기반 모델들이 의료 영상 분할을 발전시켰지만, 이들은 종종 고정된 수동 정의 스캔 순서에 의존하여 FGS에서의 개인별 변이에 대한 적응성이 제한됩니다. 이를 해결하기 위해, 우리는 FGS를 위한 새로운 Mamba 기반 아키텍처인 ASM-UNet을 제안합니다. ASM-UNet은 그룹 수준의 공통성과 개인 수준의 변이를 결합하여 생성된 적응형 스캔 점수를 도입하여 스캔 순서를 동적으로 안내합니다. 두 개의 공개 데이터셋(ACDC 및 Synapse)과 새로 제안된 도전적인 담도 FGS 데이터셋인 BTMS에서의 실험을 통해 ASM-UNet이 CGS와 FGS 작업 모두에서 우수한 성능을 달성함을 입증했습니다. 우리의 코드와 데이터셋은 https://github.com/YqunYang/ASM-UNet에서 확인할 수 있습니다.

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.

ASM-UNet: 세분화된 분할을 위한 그룹 공통성과 개별 변이를 통합한 적응형 스캔 맘바

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

초록

Support