还在为分割模型局部细节糊、全局关系乱、推理速度慢发愁？CNN捕捉细粒度纹理、Mamba以线性复杂度建模长程依赖、UNet桥接高低层特征的三段式架构，正成为当下语义分割与实例分割的标配解法，从医学影像到遥感地物，刷榜速度远超纯CNN或纯Transformer方案。
本文从近年顶会顶刊中整理了10篇三者结合的最新前沿论文，正在做相关课题的伙伴可以直接下方领取论文及代码（部分包含），不管是快速搭baseline、找创新切口，还是跟最新技术趋势，都能省不少从零摸索的功夫。
长按识别下方二维码，回复【CMU】
无偿领全部论文合集及项目代码
DM-UNet: Enhancing Spatial Awareness via Dynamic Mamba for Lightweight Brain Tumor Segmentation
通过动态Mamba增强空间感知的轻量级脑肿瘤分割模型
文章内容
针对脑肿瘤MRI分割模型计算密集、内存开销大、难以在资源受限边缘设备实时部署的问题，提出基于Mamba的动态U-Net架构。模型充分利用Mamba的线性计算复杂度，结合脑肿瘤形态多变的特点，同时利用轴位与冠状位扫描结果设计动态Mamba机制；浅层特征提取阶段将通道注意力与动态Mamba并行处理，多尺度卷积分层中引入偏置卷积获取更精细的肿瘤细节。最终模型参数不足0.1M，体积仅0.36M，计算量14.96G FLOPs。在BraTS2023数据集上五折交叉验证，平均Dice达89.60%、HD为4.11mm，性能超越多种先进胶质瘤分割方法，为轻量级模型在临床边缘端部署提供了支撑。
HR-UMamba++: A High-Resolution Multi-Directional Mamba Framework for Coronary Artery Segmentation in X-Ray Coronary Angiography
面向X射线冠脉造影的高分辨率多方向Mamba冠状动脉分割框架
文章内容
针对X射线冠脉造影中低对比度、结构模糊、血管走向各向异性导致的冠脉分割困难，提出以旋转对齐多方向状态空间扫描为核心的U-Mamba框架。为保留纤细远端分支，框架内置不经过下采样的高分辨率旁路以注入原始结构细节，并采用UNet++式密集解码器拓扑实现跨尺度拓扑融合。在374位患者的739张XCA图像上，HR-UMamba++取得Dice 0.8706、IoU 0.7794、HD95 16.99，较U-Mamba相对Dice提升6.0%，分形维度偏差较U-Net降低最高57%；八视角专家平均评分4.24/5，生成的冠脉树解剖结构保真度高，可作为下游定量冠脉分析的可靠结构先验。
MGA-UNet: A Frequency-Aware Multi-Scale Mamba U-Net for Medical Image Segmentation
面向医学图像分割的频率感知多尺度Mamba U-Net
文章内容
针对皮肤镜与内镜图像中低对比度、边界模糊、采集伪影导致分割精度受限的问题，提出融合小波频域分解与Mamba长程建模的频率感知多尺度编解码框架。Wavelet-Mamba特征提取主干将特征分解为高低频分量以增强边界感知表示；门控多尺度聚合模块对并行多尺度编码特征进行内容自适应门控融合；自适应稀疏注意力模块在瓶颈层以稀疏注意力精炼全局语义。在ISIC2018、ISIC2017、Kvasir-SEG三个数据集上，Dice分别达到88.92%、88.01%、85.91%，在多次随机种子实验中波动极小，性能超越近期多种CNN、Transformer与Mamba分割基线，验证了频域分解与状态空间建模在模糊边界、复杂背景场景下的互补价值。
↓↓听说在下方一键三连的都Accept了🌝
