🤖 AI

SRMA-Mamba: Spatial Reverse Mamba Attention Network for Pathological Liver Segmentation in MRI Volumes

本文引入了 SRMA-Mamba，这是一种基于 Mamba 的新型网络，它利用空间解剖基础 Mamba 模块（Spatial Anatomy-Based Mamba module）和空间反向 Mamba 注意力模块（Spatial Reverse Mamba Attention module），以有效地建模复杂的空间关系并细化边界细节，从而实现 MRI 容积中最先进的 3D 病理肝脏分割。

原作者： Jun Zeng, Quoc-Huy Trinh, Deepak Ranjan Nayak, Nikhil Kumar Tomar, Ulas Bagci, Debesh Jha

发布于 2026-06-29

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Jun Zeng, Quoc-Huy Trinh, Deepak Ranjan Nayak, Nikhil Kumar Tomar, Ulas Bagci, Debesh Jha

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

核心问题：在 3D 拼图中寻找“坏掉的”肝脏

想象一下，一位患者的肝脏生病了（肝硬化）。医生需要精确地看到病变部位的位置才能为患者提供帮助。通常，医生会观察 3D MRI 扫描图像，这就像是由成千上万片薄面包堆叠在一起组成的完整一条面包。

目前，医生必须逐一查看这些切片，并手工绘制出病变肝脏的轮廓。这会导致：

劳累： 这需要耗费大量时间。
不一致： 一个医生画出的线条可能与另一个医生略有不同。
困难： 病变的肝脏往往看起来杂乱且形状不规则，导致很难判断其起始和结束的位置。

虽然已经存在一些用于自动完成此任务的计算机程序（AI），但许多程序表现并不理想。它们通常将 3D 肝脏视为一长串扁平的数字列表（就像铺开的地毯），这会导致它们丢失“3D 形状”以及肝脏不同部分之间的空间关系。这会导致生成的轮廓杂乱且不准确。

解决方案：SRMA-Mamba

作者创建了一个名为 SRMA-Mamba 的新 AI 系统。你可以把它想象成一个超级聪明的机器人助手，专门设计用于观察 3D 肝脏扫描图像，并绘制出病变部分的完美轮廓。

以下是它的工作原理，分为三个“绝招”：

1. “三角度侦探”（SABMamba）

大多数 AI 只从一个方向观察 3D 物体，或者将其压平。但想象一下你正在试图理解一座复杂的雕塑，如果你只从正面看，你就会错过侧面和背面。

SRMA-Mamba 是如何做的： 它像一名侦探一样，同时从三个特定的角度观察肝脏：前后方向（轴状面/Axial）、左右方向（冠状面/Coronal）以及上下方向（矢状面/Sagittal）。
类比： 这款 AI 不仅仅是看一片面包，而是同时从顶部、侧面和末端观察整条面包。它结合了这三个视角来理解病变肝脏真实的 3D 形状，确保不会错过任何隐藏的角落。

2. “智能过滤器”（ABSS）

一旦 AI 从所有三个角度观察肝脏后，它必须决定哪些信息是重要的，哪些只是背景噪音。

SRMA-Mamba 是如何做的： 它使用了一种“选择性扫描”（Selective Scan）机制。
类比： 想象你在一个拥挤的房间里，试图听清某一个人的声音。你不会平等地倾听所有人；你会调整耳朵，专注于那一个声音并忽略周围的嘈杂声。这个模块对 MRI 数据也做了同样的事情：它过滤掉“噪音”（健康的组织或空白空间），并将注意力集中在“信号”（病理性的肝脏组织）上。

3. “精细微调器”（SRMA）

在 AI 对病变肝脏位置做出初步判断后，轮廓可能会显得有些粗糙或模糊，就像是用粗马克笔画出的草图。

SRMA-Mamba 是如何做的： 它使用了一个“反向注意力”（Reverse Attention）模块。
类比： 想象一位艺术家先画了一张人脸的草图，然后退后一步观察错误，再用一支细尖笔来清理边缘并完善细节。这个模块通过将“粗略草图”（初步猜测）与“特征”（它之前发现的细节）相结合，进行反向操作以锐化边缘。它专门针对边界进行处理，以确保“病变肝脏”与“健康肝脏”之间的界线清晰且准确。

他们发现了什么？

作者在一组大量的真实肝脏 MRI 扫描图像（共 628 份扫描）上测试了这个新的机器人助手。他们将其与其他顶尖的 AI 系统进行了对比。

结果： SRMA-Mamba 胜出了。它在寻找病变肝脏方面比其他方法更准确。
指标： 它在匹配“真相”的程度（Dice 分数）方面得分更高，并且在边缘距离误差（Hausdorff 距离）方面表现更好。
效率： 与一些重型模型相比，它在运行的同时还消耗了更少的计算资源。

总结

简而言之，SRMA-Mamba 是一种新的 AI 工具，它能同时从多个角度观察 3D 肝脏扫描图像，过滤掉噪音以聚焦于疾病，然后通过精细化绘图来获得完美的边缘。事实证明，与现有技术相比，它是自动寻找并勾勒 MRI 扫描中病变肝脏轮廓的最佳工具。

技术摘要：用于病理肝脏分割的 SRMA-Mamba

问题陈述

肝硬化是全球性的关键健康挑战，是进行性肝纤维化的终末阶段表现。虽然磁共振成像（MRI）因其卓越的软组织对比度已成为无创诊断的基石，但准确描绘病理性的肝脏结构仍然具有挑战性。人工分割不仅耗时耗力，且存在显著的观察者间差异。

现有的自动化方法，特别是基于深度学习的方法，在该领域面临特定的局限性：

空间上下文利用不足： 许多方法将三维 MRI 数据视为线性序列，这本质上破坏了内在的 3D 空间拓扑结构。
各向异性形态： 硬化结构表现出高度不规则和各向异性的形状。为了追求线性化而舍弃空间上下文，会导致边界定义欠佳以及分割结果破碎。
复杂的解剖关系： 当前的方法往往无法充分捕捉不同解剖平面之间体素（voxels）之间复杂的空间关系，从而阻碍了临床可解释性和有效性。

方法论

作者提出了 SRMA-Mamba（空间反向 Mamba 注意力网络），这是一种旨在利用状态空间模型（SSMs）对 MRI 体积内复杂解剖结构进行空间关系建模的新型架构。该网络采用编码器-解码器结构，包含三个核心创新：

1. 整体架构

SRMA-Mamba 采用分层编码器-解码器框架。编码器从输入的硬化 MRI 体积中提取特征，而解码器则逐步细化分割图。与标准解码器不同，该架构在多个阶段集成了**空间反向 Mamba 注意力（SRMA）**模块，利用来自编码阶段和粗略分割图的特征来逐步优化边缘细节。

2. 基于解剖结构的 Mamba (SABMamba)

受放射科医生跨多个平面查看 MRI 体积这一临床实践的启发，SABMamba 模块通过整合来自矢状面、冠状面和轴状面的信息，对复杂的解剖关系进行建模。

结构： 它由连续的残差分支组成。一个分支使用基于解剖的 Mamba（ABM）块，另一个分支使用多层感知器（MLP）。
基于解剖的选择性扫描（ABSS）： 这是 ABM 块中的关键组件，ABSS 模块学习病理肝脏组织的空间特征表示。它的运行方式如下：
1. 重塑（Reshaping）： 将输入体积重新排列为三个解剖平面（ $f_h, f_w, f_d$ ）。
2. 扫描扩展（Scan Expanding）： 将这些平面中的数据展开为沿四个不同方向的序列。
3. 选择性处理（Selective Processing）： 利用 Mamba 中的 S6 模块选择性地处理这些序列，在保留相关特征的同时过滤无关信息。
4. 扫描合并（Scan Merging）： 将处理后的序列整合回原始分辨率。
  这种方法能够以较低的计算复杂度直接处理 3D 体积数据，同时保留 3D 空间拓扑结构。

3. 空间反向 Mamba 注意力 (SRMA)

SRMA 模块旨在逐步细化分割图的边界细节。

机制： 它将粗略分割图（ $S_{i+1}$ ）和当前编码层级的特征图（ $f_i$ ）作为输入。
反向注意力（Reverse Attention）： 粗略分割图通过 Sigmoid 函数和反向操作生成注意力权重（ $A_i = 1 - \text{Sigmoid}(S_{i+1})$ ）。
细化（Refinement）： 这些权重通过元素级乘法应用于增强后的特征图。结果通过 SABMamba 模块和卷积层进行处理，以生成精细化的输出。这一过程增强了特征聚合和边界描绘。

主要贡献

本文概述了四个主要贡献：

SRMA-Mamba 网络： 一种用于高效体积病理肝脏分割的新型网络，解决了 3D 医学成像中线性序列建模的局限性。
SABMamba 模块： 一种通过在多个解剖视角（矢状面、冠状面、轴状面）进行扫描来构建全局空间上下文表示的机制。
SRMA 模块： 一种渐进式细化机制，利用分层编码特征和粗略分割图来提高边界精度。
ABSS 模块： 一种基于解剖的选择性扫描模块，能够以较低的计算复杂度直接处理 3D 体积数据，并保留空间解剖信息。

实验结果

作者在 CirMRI600+ 数据集上评估了 SRMA-Mamba，该数据集包含 628 幅腹部 MRI 扫描图像（310 幅 T1 加权和 318 幅 T2 加权）。该模型与包括 CNNs（SegResNet, UX-Net, MedNeXt）、Transformers（SwinUNETR, SwinUNETRv2）和基于 Mamba 的模型（SegMamba）在内的最先进方法进行了比较。

定量性能

T1W 数据集： SRMA-Mamba 实现了 92.95% 的 mDSC 和 87.59% 的 mIoU，分别超过了之前的最优模型（SegMamba）1.15% 和 1.89%。它还展示了卓越的边界准确度，HD95 为 17.52，ASSD 为 3.05。
T2W 数据集： 该模型实现了 86.25% 的 mDSC 和 78.24% 的 mIoU，同样超越了 SegMamba。
计算效率： 尽管性能很高，但 SRMA-Mamba 的计算复杂度显著低于 SegMamba，其参数量为 17.22M，计算量为 149.14 GFLOPs，而 SegMamba 则为 64.24M 参数和 2379.03 GFLOPs。

定性与消融分析

定性结果： 视觉对比显示，与其他方法相比，SRMA-Mamba 在描绘大范围及小范围病理区域以及处理复杂边界细节方面具有更优越的能力。
消融研究： 去除 SABMamba 会使 mDSC 从 92.95% 降至 80.62%，证实了其在建模空间解剖方面的作用。去除 SRMA 会使 mDSC 降至 90.63%，验证了其对边界细化的贡献。
平面配置： 实验表明，使用所有三个解剖平面（轴状面、矢状面、冠状面）的表现始终优于单平面配置，验证了多平面表示学习方法的有效性。

重要性与主张

论文声称，SRMA-Mamba 通过有效地建模病理肝脏结构的 3D 空间拓扑，解决了现有方法中由于线性化导致的结构破碎问题。通过整合解剖平面信息并采用反向注意力机制，该网络实现了 3D 病理肝脏分割的最先进性能。作者断言，这种方法不仅提高了分割精度，而且通过更好地保留预后和干预策略所需的复杂解剖细节，增强了临床可解释性。这项工作将状态空间模型与解剖先验相结合，为体积医学图像分析提供了一个极具前景的方向。