CLT-MambaSeg：融合卷积、线性Transformer与多尺度Mamba的医学图像分割模型

针对医学图像分割中局部特征捕获、全局上下文建模与计算效率难以平衡的难题，研究人员提出CLT-MambaSeg模型，集成卷积(SREx模块)、线性Transformer(LSA-Trans)与多尺度Mamba(MSMV)，结合MeGA-GAN数据增强技术，在CVC-ClinicDB等五大数据集上实现超越现有方法的精准分割。

　　

医学图像分割是辅助疾病诊断的关键技术，但肿瘤的形态多样性、边界模糊性及与正常组织的低对比度，使得传统方法难以兼顾局部细节与全局依赖。当前，卷积神经网络(CNN)虽擅长局部特征提取，却受限于感受野；Transformer能建模长程依赖，但存在计算复杂度高、数据需求大的缺陷；新兴的Mamba架构虽在序列建模中表现优异，却对医学图像的细粒度特征捕捉不足。

针对这些挑战，研究人员提出CLT-MambaSeg模型，其核心创新在于三阶段融合：1）卷积基的SREx模块提取空间特征；2）MVLTrans模块整合多尺度Mamba(MSMV)与线性自注意力Transformer(LSA-Trans)，同步捕获序列依赖与全局语义；3）MeGA-GAN通过记忆引导生成合成图像，缓解数据稀缺问题。关键技术包括跨尺度特征融合、选择性状态空间建模(SSM)及硬件优化策略。

研究结果方面：

1. 模型架构验证：SREx模块在CVC-ClinicDB数据集上提升边界检测精度12.7%，MSMV块通过双向扫描机制使长程依赖建模效率提高3倍。
2. 数据增强效果：MeGA-GAN生成的合成图像在ISIC-2017数据集上使Dice系数提升5.3%，其MemGd模块显著保留解剖结构真实性。
3. 跨数据集性能：在BUSI乳腺超声数据中，CLT-MambaSeg的IoU达89.2%，超越Swin Transformer 4.1%；对PH2皮肤病变小样本场景，计算耗时降低37%。

结论表明，该研究首次实现卷积、Transformer与Mamba的协同优化，其线性复杂度设计为高分辨率医学图像处理提供新范式。未来可扩展至3D医学影像分析，但需进一步验证在动态器官分割中的时序建模能力。论文发表于《Computers in Biology and Medicine》，为多模态医学AI奠定方法论基础。