CS-MUNet: A Channel-Spatial Dual-Stream Mamba Network for Multi-Organ Segmentation

1. Problema Identificado

A segmentação de órgãos ocos abdominais em imagens médicas (TC e RM) é um desafio significativo devido à morfologia variável, fronteiras indistintas e baixo contraste entre tecidos moles. Embora métodos baseados em Mamba (redes de Estado Espacial com complexidade linear $O(n)$) tenham mostrado promessa, o artigo identifica três limitações críticas nas abordagens existentes:

1. Falta de Colaboração Semântica entre Canais: Os métodos atuais tratam os canais de características como componentes independentes e paralelos, ignorando as dependências ordenadas e semânticas inter-canais (como textura, forma e densidade) essenciais para a anatomia.
2. Integração Superficial de Consciência de Fronteira: Embora algumas abordagens tentem modelar fronteiras, elas geralmente aplicam restrições como pós-processamento ou perdas auxiliares, sem penetrar nos parâmetros centrais de varredura do SSM (State Space Model). Isso impede que a consciência de fronteira guie ativamente o mecanismo de transição de estado.
3. Otimização Específica para Órgãos Ocos Insuficiente: A maioria dos métodos Mamba é validada em órgãos sólidos, falhando em abordar os desafios específicos de paredes finas e fronteiras fracas dos órgãos ocos.

2. Metodologia: CS-MUNet

O CS-MUNet propõe uma arquitetura em forma de U com duas vias de modelagem SSM ortogonais (Espacial e de Canal), integrando dois módulos principais:

A. Módulo Mamba Consciente de Fronteira (BASM - Boundary-Aware State Mamba)

Localizado nas conexões de skip (pulos) do decodificador, este módulo visa fundir características heterogêneas com consciência de fronteira.

• Geração de Mapa de Posterior de Fronteira: Utiliza um framework de atenção Bayesiana para gerar mapas de probabilidade de fronteira em nível de pixel ($P_b$), combinando um prior geométrico (campo de distância) e uma verossimilhança de atenção baseada em características.
• Modulação de Parâmetros do SSM: Diferentemente dos métodos padrão, o BASM injeta diretamente o mapa $P_b$ nos parâmetros centrais do Mamba:
  • $\Delta$ (Taxa de Esquecimento): Ajustado para reter estados históricos mais completamente nas regiões de fronteira.
  • $B$ (Peso de Escrita): Amplificado para dar maior peso às entradas atuais nas fronteiras.
• Ramo SASF (Spatial Adaptive Structure-aware Feature): Complementa a modelagem global do Mamba com convoluções profundas multiescala para capturar padrões geométricos locais.
• Fusão: As saídas dos ramos Mamba e SASF são fundidas dinamicamente usando um mecanismo de ponderação estilo SE (Squeeze-and-Excitation).

B. Módulo de Agregação de Estado Mamba de Canal (CMSA - Channel Mamba State Aggregation)

Localizado no gargalo (bottleneck) do codificador, este módulo redefine a dimensão do canal como a dimensão da sequência do SSM.

• Modelagem de Dependências Inter-Canais: Em vez de tratar canais independentemente, o CMSA processa grupos de canais semanticamente coerentes como uma sequência, aprendendo dependências entre eles de forma orientada por dados.
• Restrição de Estado Limitado (Lipschitz): Para evitar a acumulação descontrolada de estados heterogêneos entre canais diferentes, o módulo impõe restrições de clipping (limitação) na matriz de transição de estado ($\bar{A}_k$) e no termo de decaimento cumulativo. Isso garante que a propagação de estado entre canais permaneça estável e convergente.

3. Principais Contribuições

1. Paradigma de Modelagem Dupla: Introdução de um fluxo de informação ordenado: "refinamento semântico de canal $\rightarrow$ fusão espacial consciente de fronteira".
2. Modulação Ativa de Fronteira: O primeiro trabalho a integrar mapas de posterior de fronteira diretamente nos parâmetros de transição de estado ($\Delta$ e $B$) do Mamba, transformando a fronteira de um sinal passivo para um guia ativo de varredura.
3. Modelagem de Canal como Sequência: Redefinição da dimensão de canal como sequência SSM com restrições de Lipschitz, resolvendo o problema de dependências semânticas cruzadas entre canais que métodos anteriores ignoravam.
4. Arquitetura Otimizada para Órgãos Ocos: Desenho específico para lidar com a variabilidade morfológica e fronteiras fracas de órgãos abdominais ocos.

4. Resultados Experimentais

O modelo foi avaliado em dois benchmarks públicos: UW-Madison GI Tract (MRI, 3 órgãos ocos) e WORD (TC, 16 categorias de órgãos).

• Desempenho Geral: O CS-MUNet superou consistentemente todos os métodos state-of-the-art (incluindo U-Net, TransUNet, Swin-UNet e outras variantes Mamba).
  • UW-Madison: Alcançou 86,16% de mDice (melhoria de +2,91% sobre o melhor baseline).
  • WORD: Alcançou 94,47% de mDice (melhoria de +1,03% sobre o melhor baseline).
• Eficiência: Com apenas 52,2 milhões de parâmetros e 38,8 GFLOPs, o modelo oferece desempenho superior com custos computacionais significativamente menores do que modelos baseados em Transformers (como TransUNet com 117M de parâmetros).
• Estudos de Ablação: Confirmaram que a remoção da modulação $\Delta/B$ ou da alocação de pesos dual-branch degrada o desempenho, provando a necessidade de ambos os mecanismos. A sensibilidade aos hiperparâmetros foi baixa, indicando robustez.
• Visualização: A análise qualitativa mostrou que o CS-MUNet produz contornos mais contínuos e precisos, especialmente em órgãos ocos (intestino delgado, cólon), onde outros métodos falhavam com fragmentação ou vazamento de fronteira.

5. Significado e Impacto

O CS-MUNet estabelece um novo paradigma para a segmentação médica baseada em Mamba. Ao abordar simultaneamente a colaboração semântica entre canais e a fusão de características consciente de fronteira no nível arquitetural (e não apenas como pós-processamento), o trabalho demonstra que é possível alcançar alta precisão em tarefas complexas de segmentação de órgãos ocos com eficiência computacional.

Isso sugere um alto potencial de implantação clínica, especialmente em fluxos de trabalho que exigem tanto precisão diagnóstica (delimitação precisa de tumores e órgãos ocos) quanto eficiência de inferência em hardware limitado. O trabalho também aponta para futuras extensões para dados 3D e outras modalidades de imagem (como ultrassom e PET-CT).