DFU-MambaLiteUNet：一种轻量化高效糖尿病足溃疡分割模型及其临床转化价值

【编辑推荐】针对糖尿病足溃疡(DFU)传统U-Net模型计算复杂度高、难以部署移动端的问题，研究人员创新性整合Mamba状态空间模型(SSM) Lite与Mobile U-Net框架，引入注意力门(Attention Gate)和GeLU激活函数，采用Tversky Loss解决类别不平衡。在FUSC 2021数据集上实现92.23% Dice系数，较基线提升5.13%，同时降低17.02% GFLOPs和33.9%推理耗时，为资源受限环境提供实时精准分割方案。

　　

糖尿病足溃疡(DFU)作为糖尿病最严重的并发症之一，全球约25%糖尿病患者终身可能患病，其导致的截肢风险正随着糖尿病发病率攀升而加剧。传统诊断依赖专业医师主观评估，在医疗资源匮乏地区尤为棘手。尽管U-Net等深度学习模型在医学图像分割中表现优异，但动辄数千万参数的庞大计算需求，使其难以在移动设备或实时场景部署。现有轻量化方案又往往牺牲空间精度换取效率，对DFU这类边缘模糊、纹理不规则的病灶分割效果有限。这一矛盾促使印度尼西亚教育文化研究技术部资助的研究团队探索新型架构，试图在精度与效率间取得突破。

研究团队采用模块化设计思路，通过六大关键技术构建DFU-MambaLiteUNet模型：(1)重构Mobile U-Net的编码器-瓶颈-解码器结构；(2)瓶颈层集成Mamba SSM Lite捕获长程依赖；(3)解码器加入注意力门(Attention Gate)增强特征选择；(4)以GeLU替代ReLU提升非线性表达能力；(5)采用Tversky Loss缓解类别不平衡；(6)使用FUSC 2021、DFUC 2022及自建临床数据集进行多中心验证。

方法论创新
通过引入Mamba SSM Lite模块，模型以线性计算复杂度实现传统Transformer需二次方计算才能获取的全局上下文信息。注意力门机制则通过门控信号动态筛选跳跃连接特征，显著提升对不规则伤口边界的识别能力。GeLU激活函数的平滑梯度特性有效缓解了轻量化模型常见的训练不稳定问题。

性能验证
在三类数据集测试中，模型在FUSC 2021上达到92.23% Dice系数，较基线U-Net提升5.13个百分点，同时将计算量降至2.98 GFLOPs。特别在自建临床数据集上保持89.7%的IoU，证明其强泛化能力。消融实验显示，单独移除Mamba模块会导致边缘分割精度下降12.6%，而替换为传统CNN模块则增加21%推理耗时。

临床意义
该研究首次将状态空间模型成功应用于DFU分割领域，其17.4MB的模型体积和33ms的单帧处理速度，使得在智能手机端实现实时伤口评估成为可能。对于年复发率高达65%的DFU患者，这种便携式解决方案可大幅提升居家监测频率，为早期干预创造窗口期。研究团队特别指出，模型在低分辨率图像(256×256)上仍保持88.9%的分割精度，这对网络条件受限的偏远地区极具实用价值。

未来展望
尽管取得突破，作者在讨论部分指出当前模型对深度坏死组织的分层识别仍有局限。后续研究计划融合多模态影像数据，并探索联邦学习框架以进一步保护患者隐私。这项发表于《Expert Systems with Applications》的工作，为AI驱动的新型慢病管理模式提供了重要技术支撑。