ASM-UNet: Mamba de Varredura Adaptativa Integrando Comunidades de Grupo e Variações Individuais para Segmentação de Alto Nível

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

Resumo

A ressecção precisa de lesões depende da identificação precisa de estruturas anatômicas de granularidade fina. Embora muitos métodos de segmentação de granularidade grossa (CGS) tenham sido bem-sucedidos em segmentações em larga escala (por exemplo, órgãos), eles se mostram insuficientes em cenários clínicos que exigem segmentação de granularidade fina (FGS), que continua sendo um desafio devido às variações individuais frequentes em estruturas anatômicas de pequena escala. Embora modelos recentes baseados em Mamba tenham avançado na segmentação de imagens médicas, eles frequentemente dependem de ordens de varredura fixas e definidas manualmente, o que limita sua adaptabilidade às variações individuais na FGS. Para resolver isso, propomos o ASM-UNet, uma nova arquitetura baseada em Mamba para FGS. Ele introduz escores de varredura adaptativos para guiar dinamicamente a ordem de varredura, gerados pela combinação de características comuns em nível de grupo e variações em nível individual. Experimentos em dois conjuntos de dados públicos (ACDC e Synapse) e um novo conjunto de dados desafiador de FGS do trato biliar, denominado BTMS, demonstram que o ASM-UNet alcança desempenho superior tanto em tarefas de CGS quanto de FGS. Nosso código e conjunto de dados estão disponíveis em 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.