改进MambaUNet网络对肝脏肿瘤CT图像的轻量化级联分割

摘要

为解决卷积神经网络在全局上下文建模能力的局限性以及Transformer在自注意力机制中二次计算的复杂性，提出一种基于MambaUNet改进的MD-MambaUNet网络。该网络结合了多向选择扫描模块（MD-SS2D），从CT图像的多个方向提取空间特征，显著提升全局上下文建模能力，并通过引入部分卷积，构建轻量化混合卷积模块，显著减少模型的参数量，能在保持高水平性能的同时，以更低的计算成本处理大规模的医疗图像数据。基于LiTS2017、3DIRCADB公共数据集进行实验，MD-MambaUNet在LiTS2017数据集中，肝脏与肿瘤分割的Dice相似性系数指标分别较MambaUNet网络提高3.32%和4.77%，达到95.36%和76.93；交并比指标分别较MambaUNet网络提高4.18%和4.92%，达到91.43%和69.74%。在3DIRCADB数据集中，肝脏与肿瘤分割的Dice相似性系数指标分别较MambaUNet网络提高2.08%和2.21%，达到93.81%和64.68%；交并比指标分别较MambaUNet网络提高0.79%和3.13%，达到87.23%和57.65%，同时参数量相比MambaUNet减少了13.71 M，使得模型能部署在临床场景成为可能。

关键词

肝脏肿瘤分割 / MD-MambaUNet / CT图像 / Dice相似性系数