ASM-UNet: Адаптивная Scan Mamba с интеграцией групповых общностей и индивидуальных вариаций для детальной сегментации

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

August 10, 2025

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

cs.AI

Аннотация

Точное удаление поражений зависит от точного определения мелкозернистых анатомических структур. Хотя многие методы крупнозернистой сегментации (CGS) успешно применяются для масштабной сегментации (например, органов), они оказываются недостаточными в клинических сценариях, требующих мелкозернистой сегментации (FGS), которая остается сложной задачей из-за частых индивидуальных вариаций в мелкомасштабных анатомических структурах. Хотя недавние модели на основе Mamba продвинули сегментацию медицинских изображений, они часто полагаются на фиксированные, вручную заданные порядки сканирования, что ограничивает их адаптивность к индивидуальным вариациям в FGS. Для решения этой проблемы мы предлагаем ASM-UNet, новую архитектуру на основе Mamba для FGS. Она вводит адаптивные оценки сканирования для динамического управления порядком сканирования, генерируемые путем объединения групповых общностей и индивидуальных вариаций. Эксперименты на двух публичных наборах данных (ACDC и Synapse) и новом сложном наборе данных для FGS желчевыводящих путей, а именно BTMS, демонстрируют, что ASM-UNet достигает превосходной производительности как в задачах CGS, так и FGS. Наш код и набор данных доступны по адресу 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.