【医学顶刊TMI 2025】Mamba-Sea:一种基于 Mamba 的框架，结合全局到局部序列增强的可推广医学图像分割方法

作者：Zihan Cheng, Jintao Guo, Jian Zhang, Lei Qi, Luping Zhou, Yinghuan Shi*, Yang Gao
📜 代码地址：https://github.com/orange-czh/Mamba-Sea

---

✨ 摘要

• 背景：医疗图像分割在存在分布差异（domain shift）时面临挑战。
• 问题：现有DG方法多基于CNN或ViT，存在局限。
• 方法：提出 Mamba-Sea，引入 Global-to-Local Sequence Augmentation (GLA)。
• 亮点：
  • GVA：全局模拟外观变化
  • LSA：局部连续子序列风格扰动
• 成果：首次在Prostate数据集Dice超过90%，刷新SOTA。

---

1. 🚀 引言

• 传统模型基于 i.i.d 假设，但实际存在大规模分布漂移。
• CNN局限：仅能学习局部纹理。
• ViT局限：全局感受野，计算量大。
• Mamba优势：长程依赖建模 + 线性复杂度。

---

2. 📚 相关工作

2.1 🌍 医疗图像分割中的Domain Generalization

• Meta-learning方法（如MASF、FedDG）
• 数据增强方法（如BigAug、DoFE）
• 特征对齐方法（如RAM-DSIR、DCAC）

2.2 🛠 Mamba在医学图像分割中的应用

• Mamba-UNet、SegMamba、VM-UNetV2
• 现有方法未考虑 Domain Shift

---

3. 🏗 方法

3.1 🔥 总览

Mamba-Sea总体流程：

1. GVA全局外观增强
2. 送入带有LSA模块的VM-UNet
3. 语义一致性训练

3.2 🛡 关键模块

---

🖼 图2：Mamba-Sea整体框架示意图解释

这张图分为四大模块，分别是：(a) GVA模块、(b) 语义一致性训练、© VSSDG模块、(d) LSA局部增强模块。

---

(a) GVA模块 - Global Variation Augmentation 🌍

• 输入：从多个不同来源（Domain 1, Domain 2, …, Domain K）的原始图像。
• 流程：
  • 经过 Gating机制：判断是否需要进行增强（比如亮度过低则增强）。
  • 若需要增强，进入一个由卷积层+BatchNorm+激活（Sigmoid）组成的小网络。
  • 输出：生成增强后的图像（整体外观有变化，比如亮度、对比度改变）。
• 目的：在全局级别模拟不同医院/设备造成的图像外观变化，提升泛化能力。

---

(b) 语义一致性训练 - Semantic Consistency Training 🎯

• 输入：
  • 原始图像
  • GVA增强后的图像
• 流程：
  • 两种图像同时送入 SSM-based分割网络（基于VM-UNet）。
  • 得到两个分割预测结果。
• 损失函数：
  • L_seg：分割任务的基本损失（比如Dice loss, Cross-Entropy loss）。
  • L_consist：一致性损失，鼓励增强前后预测保持一致。
• 目的：使模型输出对输入扰动更鲁棒，从而进一步提升跨域泛化能力。

---

© VSSDG模块 - Selective Scanning with Local Augmentation ⚙️

• 这是 网络内部的特征处理模块。
• 原本是Selective State Space Block (SS Block)，这里被改进：
  • 加入了**LSA（Local Style Augmentation）**模块，作为新的路径。
• 结构细节：
  • 多个Linear Layer + Depthwise-Conv（DW-Conv）
  • 多次LayerNorm标准化
  • 通过Hadamard乘积和加法整合不同特征
• 目的：在局部token建模时，引入风格扰动，打破过拟合，增强域内变化的适应性。

---

(d) LSA模块 - Local Sequence-wise Style Transformation 🧩

• 位置：插入到VSSDG模块内部。
• 流程：
  1. Scan Expanding：把图像特征展开成序列。
  2. Style Augmentations：对每个序列进行风格统计扰动（均值、方差加噪声）。
  3. Sequence-wise Mixup：连续地混合原始序列和增强序列（而不是随机单点扰动）。
  4. Scan Merging：重新组合成图像特征。
• 目的：在局部级别模拟风格变化，帮助模型学到更稳定、更有语义的特征。

---

🔥 总结一张话

模块	作用	目标
(a) GVA	整体外观增强	模拟不同医院采集条件
(b) 语义一致性训练	保持增强前后输出一致	抗扰动泛化
© VSSDG	改良版SSM模块	融合局部增强
(d) LSA	局部子序列风格扰动	对局部变化更鲁棒

4. 🧪 实验

4.1 🗂 数据集

• Fundus（眼底）数据集
• Prostate（前列腺MRI）数据集
• Skin Lesion（大规模皮肤病变分割）

4.2 🏆 主要结果

方法	Fundus Dice ↑	Prostate Dice ↑	Skin Lesion Dice ↑
Baseline (VM-UNet)	86.90%	87.56%	90.78%
Mamba-Sea (Ours)	89.68%	90.02%	93.11%

• 在所有任务上，Mamba-Sea大幅提升，尤其是在Skin Lesion任务上取得了新SOTA。

4.3 🧩 消融实验

模块组合	Fundus Dice ↑	Prostate Dice ↑
去除GVA	87.84%	87.72%
去除LSA	88.65%	88.79%
全部保留（Mamba-Sea）	89.68%	90.02%

• GVA和LSA模块均带来明显提升。

4.4 📈 进一步分析

• t-SNE分析显示，Mamba-Sea能极大缩小不同域之间的特征分布距离。
• Hyperparameter分析表明模型对参数变化不敏感，稳定性好。
• 统计显著性测试（paired t-test）确认性能提升有效（p < 0.05）。

---

5. 🧠 讨论与结论

• 总结：首次探索Mamba在Domain Generalization中的潜力，提出有效的全局到局部序列增强策略。
• 未来方向：结合更复杂的序列建模机制、进一步提升Mamba在医学领域的普适性。