MCM-UNet：基于Mamba卷积混合网络的皮肤病变图像分割方法及其在临床诊断中的应用价值

本文提出了一种创新的MCM-UNet架构，通过融合CNN的局部特征提取能力、Mamba的状态空间建模（SSM）以及注意力机制，显著提升了皮肤病变图像分割的精度与鲁棒性。该模型在浅层采用自适应特征级联融合Mamba模块（AFCF-Mamba），深层引入多尺度卷积融合Mamba模块（MCF-Mamba），并设计并行卷积注意力模块（PCAM）增强跨层特征融合，最终以仅0.6M参数的轻量化模型在PH2、ISIC2017和ISIC2018等公开数据集上取得优异性能，为皮肤病计算机辅助诊断（CAD）提供了高效解决方案。

　　

Highlight

本文的主要贡献可总结如下：

• •
  提出的网络采用多种特征融合策略，在保持低计算复杂度的同时实现了卓越的分割性能。
• •
  我们提出的三个核心模块有效整合了Mamba的序列建模能力、卷积的局部特征提取能力以及注意力机制的选择性特征增强功能，其协同作用显著提升了模型的特征学习能力。
• •
  在多个公开数据集上的综合实验与消融研究验证了所提方法的有效性。结果表明，MCM-UNet在分割精度、计算效率和模型大小之间实现了出色平衡。与现有方法相比，我们的模型在保持低参数量（0.6M）的同时，在多项评估指标上均取得了具有竞争力的结果（见图1）。

Skin lesion segmentation（皮肤病变分割）

皮肤病变分割是皮肤病计算机辅助诊断中的重要步骤，旨在从皮肤镜图像中精确提取病变区域。由于病变外观多变且与周围皮肤对比度低，该任务极具挑战性。深度学习方法近年来已成为解决该问题的主流方案，展现出强大的判别特征学习能力。

在皮肤病变分割领域，U-Net凭借其编码器-解码器结构和跳跃连接已成为基准架构。

Overall architecture（整体架构）

提出的MCM-UNet是一种基于U形结构的模型，整体架构如图2所示。在网络浅层（第1至第3阶段），使用3×3卷积核进行特征提取，每个模块后接一个自适应特征级联融合Mamba模块（AFCF-Mamba），有效整合特征信息以增强特征表示能力。在网络深层（第4至第6阶段），我们设计了多尺度卷积融合Mamba模块（MCF-Mamba）来捕获多尺度上下文信息。

Datasets and implementation details（数据集与实现细节）

为全面评估所提模型的性能，我们使用了三个公开皮肤病变分割数据集：PH2、ISIC2017和ISIC2018。PH2数据集包含400张皮肤镜图像，提供人工分割标注和临床诊断结果。ISIC2017数据集来自国际皮肤成像协作组织（ISIC），包含2150张皮肤镜图像。ISIC2018数据集则包含2694张皮肤镜图像。我们将每个数据集按比例划分为训练集、验证集和测试集。

Conclusion（结论）

本研究提出了MCM-UNet，这是一种创新的皮肤病变图像分割网络，有效融合了CNN、Mamba和注意力机制。网络引入了三个核心模块：浅层的自适应特征级联融合Mamba模块（AFCF-Mamba）用于增强细粒度特征提取与融合，深层的多尺度卷积融合Mamba模块（MCF-Mamba）用于捕获多尺度局部变化和长程依赖关系，以及并行卷积注意力模块（PCAM）用于优化跨层特征传递。这些模块的协同工作使模型在保持轻量化的同时实现了卓越的分割精度和鲁棒性。