ASM-UNet: Adaptieve Scan Mamba die Groepsgemeenschappelijkheden en Individuele Variaties Integreert voor Fijnmazige Segmentatie

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

August 10, 2025

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

cs.AI

Samenvatting

Precisie bij het verwijderen van laesies hangt af van het nauwkeurig identificeren van fijnmazige anatomische structuren. Hoewel veel methoden voor grofmazige segmentatie (CGS) succesvol zijn geweest in grootschalige segmentatie (bijv. organen), schieten ze tekort in klinische scenario's die fijnmazige segmentatie (FGS) vereisen, wat een uitdaging blijft vanwege frequente individuele variaties in kleinschalige anatomische structuren. Hoewel recente Mamba-gebaseerde modellen vooruitgang hebben geboekt in medische beeldsegmentatie, vertrouwen ze vaak op vaste, handmatig gedefinieerde scanvolgordes, wat hun aanpassingsvermogen aan individuele variaties in FGS beperkt. Om dit aan te pakken, stellen we ASM-UNet voor, een nieuwe Mamba-gebaseerde architectuur voor FGS. Het introduceert adaptieve scanscores om de scanvolgorde dynamisch te begeleiden, gegenereerd door groepsniveau gemeenschappelijkheden en individuele variaties te combineren. Experimenten op twee openbare datasets (ACDC en Synapse) en een nieuw voorgestelde uitdagende dataset voor fijnmazige segmentatie van de galwegen, genaamd BTMS, tonen aan dat ASM-UNet superieure prestaties levert in zowel CGS- als FGS-taken. Onze code en dataset zijn beschikbaar op 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.