编辑推荐：
在医学图像分割中，CNNs 缺乏长程依赖、Transformer 参数爆炸等问题待解。研究人员提出 MSM-UNet，融合多尺度 Mamba 模块、小波变换特征增强注意力块等，在 ACDC 等数据集上 Dice 系数达 92.02、83.10、94.03，提升分割精度与效率。
在医学影像领域，精准分割是疾病诊断与治疗的关键环节。然而，传统卷积神经网络（CNNs）在捕捉全局上下文信息方面存在明显短板，难以建模图像中任意两点的长程依赖关系；而基于自注意力机制的 Transformer 虽能有效捕获全局特征，却因计算复杂度高、内存需求大，在实际应用中面临参数爆炸的难题。此外，医学图像中器官形态差异显著、病变边界模糊，加上 U 型网络在上下采样过程中易造成信息丢失，这些挑战共同制约着分割精度的提升。如何在保证效率的同时，实现全局与局部特征的高效融合，成为医学图像分割领域亟待突破的瓶颈。
为解决上述问题，国内研究团队开展了一项具有创新性的研究。该团队设计了一种名为 MSM-UNet 的二维医学图像分割模型，相关成果发表在《Expert Systems with Applications》。这项研究旨在通过新颖的架构设计，突破传统方法在长程与局部依赖建模上的局限，为医学图像分割提供更优的解决方案。
研究人员采用的关键技术方法包括：一是设计多尺度 Mamba 特征提取块（MSMamba），通过双分支结构实现全局与局部特征的并行提取，其中全局分支利用状态空间模型（SSM）捕获长程依赖，局部分支通过向量分块增强短程特征感知；二是引入小波变换特征增强注意力块（WTFEAB），利用一阶 Daubechies 小波变换的三个高频子带（HH、HL、LH）进行边界特征增强，并结合优化的通道 - 空间注意力机制提升特征表示能力；三是构建特征增强合并块（FEMB）和融合输出层（FOL），通过多尺度特征融合优化信息流动，借助跨层特征集成确保分割精度。研究使用了 ACDC、Synapse 多器官 CT 腹部分割数据集和 CVC-ClinicDB 数据集开展实验。
实验结果
在 ACDC 数据集上，MSM-UNet 的 Dice 系数达到 92.02，展现出对心脏结构分割的高准确性；在 Synapse 多器官 CT 腹部分割数据集上，Dice 系数为 83.10，验证了模型对多类复杂器官的区分能力；在 CVC-ClinicDB 数据集上，Dice 系数高达 94.03，表明其对结直肠病变边界的精准捕捉。消融实验系统验证了各组件的有效性，与现有基于 Transformer 的方法相比，MSM-UNet 在特征建模的整体性和分割精度上均表现更优，且参数数量更少，实现了性能与效率的平衡。
结论与讨论
MSM-UNet 的提出为医学图像分割领域提供了新的技术路径。其核心创新在于将 Mamba 模型拓展至双分支结构，有效弥补了传统 CNNs 在全局建模和 Transformer 在局部特征捕捉上的不足，同时通过小波变换和注意力机制增强了边界特征的表示。实验结果表明，该模型在多类分割任务中显著提升了精度，为临床诊断提供了更高效的自动化工具，有助于减少人力物力消耗，推动医学影像处理技术的创新发展。这项研究不仅验证了状态空间模型在视觉任务中的潜力，也为后续融合多模态特征、应对更复杂医学场景奠定了基础，在精准医疗背景下具有重要的实际应用价值。
