M4Fuse 面向 3D 脑肿瘤分割中的三个关键瓶颈：大输入体积带来的显存负担、重型编码器造成的部署压力，以及跨中心扫描差异引起的泛化不稳。它采用轻量级 U 形网络，在 1.11M 参数下完成多模态 MRI 分割，并在 64×128×128 的低体素输入设置中保持强性能。BraTS2021 上，M4Fuse-B 平均 Dice 达到 88.79%，相比 SuperLightUnet 参数减少 62.63%，平均 Dice 仍提升 0.09%。
模型的核心在于更精确地分配容量。PetaloMixer/POM 将 3D 特征转为序列，用分组状态空间混合器建模长程依赖，使复杂度随体素数线性增长；CSBridge 在跳跃连接进入解码器前完成空间去噪和跨尺度通道对齐，减少扫描噪声与多尺度冲突；PEU 只部署在 t4、t5 和瓶颈层，通过共享分支与专家分支适配不同中心和协议，在控制参数增长的同时增强鲁棒性。
M4Fuse 还提出了解码器边际效用原则：当跳跃特征已经被净化和对齐后，继续加宽解码器的收益有限，甚至可能削弱 ET 等对比敏感微结构。实验表明，3D 医学分割的效率不应只依赖更大输入或更宽网络，更关键的是让长程上下文、跳跃特征和域适配在合适位置发挥作用。M4Fuse 因此为低参数、低显存、跨中心鲁棒的 3D 脑肿瘤分割提供了一种更实用的设计路径。
arXiv: 2605.02444
https://github.com/mh-zhou/M4Fuse
https://github.com/tonxycs/M4Fuse
最初报道来自小红书每日ComputerScience 账号
