医学分割新标杆!双路径PGM-UNet:CNN+Mamba实现病灶毫厘级捕捉

一、 引言:医学图像分割的挑战与机遇

医学图像分割是辅助疾病诊断和治疗规划的关键技术,但传统方法常受限于复杂病理特征和微小结构。现有深度学习模型(如CNN和Transformer)虽各有优势,但CNN难以建模长距离依赖,而Transformer的计算复杂度高且易忽略局部细节。

最新突破:来自北京理工大学的研究团队提出了一种双路径融合模型PGM-UNet,结合CNN的局部感知力与Mamba的全局建模能力,显著提升了分割精度与效率,相关成果已发表于顶会论文。

二、 核心创新:PGM-UNet的三大技术亮点

  1. 提示引导的Mamba模块(PGRM)
  • 动态视觉提示:从原始输入中提取关键线索(如病灶边缘),指导Mamba更精准捕捉全局信息。

  • 即插即用:该模块可灵活嵌入其他任务,优化信息提取流程。

  1. 双路径融合架构(LG-Net)
  • 并行分支设计:CNN路径提取局部细节(如血管纹理),Mamba路径建模全局上下文(如病灶形态)。

  • 注意力融合(MAFM):通过通道注意力机制动态加权局部与全局特征,抑制冗余信息,聚焦关键区域。

  1. 多尺度信息提取模块(MIEM)
  • 空洞卷积+KAN网络:利用不同扩张率的卷积捕获多尺度特征,结合KAN网络的强非线性表达能力,增强模型对复杂结构的解析力。

三、 实验结果:全面超越SOTA模型

  • 皮肤病变分割(ISIC-2017/2018):平均DSC达87.69%,较Mamba模型AC-MambaSeg提升1.16%。

  • 血管分割(DIAS/DRIVE):在视网膜血管分割中,敏感度(Sen)提升0.77%,精准捕捉毛细血管网络。

  • 泛化性能:在跨数据集测试(ISIC-2018→PH2)中,DSC仍保持92.01%,展现强鲁棒性。

四、 技术价值与未来展望

  • 临床意义:为皮肤病、血管疾病等提供高精度自动化诊断工具,降低人工标注成本。

  • 局限与改进:当前模型对毛发遮挡(如皮肤图像)和密集毛细血管的细节处理仍有提升空间,未来计划引入更高效注意力机制。

  • 扩展应用:研究团队计划基于提示学习开发"全能型"医学分割模型,适配多模态数据与跨设备场景。

五、 结语:AI赋能精准医疗的新里程碑

PGM-UNet通过创新的双路径设计和提示学习,为医学图像分割树立了新标杆。其高效性与精准性不仅推动学术进展,更为临床落地提供了可靠工具。未来,随着模型优化与多任务扩展,AI辅助诊断的边界将进一步拓宽。

论文地址:https://arxiv.org/abs/2503.19589

相关推荐
高工智能汽车4 分钟前
出圈or出局?AI汽车“急速驶来”,市场淘汰赛一触即发
人工智能·汽车
Qdgr_5 分钟前
传统报警难题频现,安全运行隐患重重
大数据·人工智能·安全
IT猿手7 分钟前
2025最新智能优化算法:沙狐优化(Rüppell‘s Fox Optimizer,RFO)算法求解23个经典函数测试集,完整MATLAB代码
android·算法·matlab·迁移学习·优化算法·动态多目标优化·动态多目标进化算法
rit843249911 分钟前
MATLAB基于voronoi生成三维圆柱形
开发语言·人工智能·matlab
xuedaobian22 分钟前
AI IDE里的 context 工程
人工智能·aigc·visual studio code
嗜好ya41 分钟前
LeetCode 560: 和为K的子数组
数据结构·算法·leetcode
络71 小时前
HashMap的put、get方法详解(附源码)
算法·哈希算法·hashmap
PyAIExplorer1 小时前
图像处理中的霍夫变换:直线检测与圆检测
图像处理·人工智能
微光-沫年1 小时前
141-CEEMDAN-VMD-Transformer-BiLSTM-ABKDE多变量区间预测模型!
算法·matlab·回归
格林威1 小时前
Baumer工业相机堡盟工业相机如何通过DeepOCR模型识别判断数值和字符串的范围和相似度(C#)
开发语言·人工智能·python·数码相机·计算机视觉·c#·视觉检测