融合视觉Mamba与自适应多尺度损失的医学图像分割

目的在医学图像分割领域，传统基于卷积神经网络（convolutional neural network，CNN）的模型在捕捉长距离依赖信息方面存在固有局限，而基于视觉Transformer（vision Transformer， ViT）的模型其自注意力机制的计算复杂度与图像尺寸呈平方关系，在资源有限的现实环境中难以部署。为了解决这些问题，提出一种融合视觉 Mamba 和自适应多尺度损失的医学图像分割方法VMAML-UNet（medical image segmentation with vision Mamba and adaptive multi-scale loss）。方法VMAML-UNet采用编码器—解码器架构。在编码阶段，设计了融合小波卷积的视觉 Mamba 块，以线性复杂度提取病变区域的精确特征并扩大感受野，并通过块合并进行下采样。解码阶段同样引入融合小波卷积的视觉 Mamba 块并利用块扩展进行上采样。跳跃连接中，提出小波卷积注意力聚合模块，用于提取并融合不同尺度下的图像特征。此外，设计了柯尔莫哥洛夫—阿诺德网络（Kolmogorov-Arnold network， KAN）调控多尺度加权损失，动态调控各层级损失权重。结果在BUSI（breast ultrasound images dataset）、GlaS（gland segmentation in histology images challenge dataset）和CVC（CVC-ClinicDB dataset）3个异质性显著的医学图像数据集上的实验结果表明，与主流的VM-UNet（vision Mamba UNet）等采用Mamba的医学图像分割方法相比取得显著的性能提升。在BUSI数据集上，交并比（intersection over union，IoU）和F1分数分别提升2.72%和2.02%；在GlaS数据集上，IoU和F1分数分别提升3.38%和1.89%；在CVC数据集上，IoU和F1分数分别提升2.51%和1.42%。结论提出的VMAML-UNet采用基于视觉Mamba的线性复杂度的长距离依赖建模与基于KAN的动态损失优化机制，显著减少了计算成本，同时提升了模型对复杂医学图像的分割精度。该模型在3个数据集上的优异表现证明了其在不同医学图像场景下的广泛适用性和高效性。