本文报告了一项原创性研究，属于类型a。以下是根据您的要求生成的详细学术报告：
一、 研究团队与发表信息
本研究由来自多所高校与医疗机构的研究团队合作完成。第一作者是来自杭州电子大学的Yanbo Li，通讯作者为同机构的Feiwei Qin以及浙江大学医学院附属儿童医院/国家儿童健康与疾病临床医学研究中心的Zhu Zhu。其他合作者包括来自杭州电子大学、池州大学、浙江大学医学院附属儿童医院、浙江省儿童健康中芬联合人工智能实验室、温州医科大学附属第三医院的研究人员。
该研究成果以研究论文（Research Paper）的形式，发表于《Engineering Applications of Artificial Intelligence》期刊第169卷（2026年），论文具体标题为《A Local-Global Fusion Vision Mamba UNet Framework for Medical Image Segmentation》，文章标识符（Article Number）为113987。论文接收于2026年1月27日，在线发表于2026年2月6日。
二、 学术背景与研究目的
本研究属于医学影像分析与人工智能交叉领域，具体聚焦于医学图像分割任务。医学图像分割是临床诊断与治疗规划的关键技术，旨在从CT、MRI等影像中精确划分出目标器官、病变区域等。然而，医学图像存在类间差异小、边界模糊、目标结构尺度变化大等独特挑战。
传统的分割方法，如基于卷积神经网络（Convolutional Neural Networks, CNNs）的U-Net及其变体，虽然在局部特征提取上表现出色，但由于卷积操作的感受野有限，难以有效建模长程依赖关系。视觉Transformer（Vision Transformers, ViTs）通过自注意力机制克服了这一限制，但其计算复杂度与序列长度的平方成正比，成为处理高分辨率医学图像的瓶颈，且往往难以保留对精细边界至关重要的高频局部细节。
近期，状态空间模型（State Space Models, SSMs）作为一种新兴的序列建模范式，因其能以线性计算复杂度实现长程依赖建模而受到关注。其中，Mamba模型因其高效性备受瞩目。然而，直接将Mamba应用于医学图像分割存在两个关键缺陷：其一，Mamba固有的“全局主导”特性（通过将2D图像展平为1D序列进行递归处理）容易导致局部空间关系稀释，即局部特征衰减问题。这对于需要精细描绘边界的临床任务（如肿瘤边缘勾画）是致命的。其二，Mamba的线性扫描机制与解码器的空间重建之间存在显著的语义鸿沟。标准的跳跃连接（Skip Connections）难以有效对齐这两种不同特征表示，导致信息流不畅。
为解决上述挑战，本研究旨在提出一个名为局部-全局融合视觉Mamba U-Net（Local-Global Fusion Vision Mamba UNet, LGFVM-UNet）的新型框架。其核心目标是：在保持Mamba线性计算效率优势的同时，有效融合全局上下文信息与局部细节特征，并通过增强的多尺度特征融合机制，弥合编码器与解码器之间的语义鸿沟，从而实现对复杂解剖结构更精准、更鲁棒的医学图像分割。
三、 研究流程与方法论
本研究包含一个系统性的流程，涵盖了方法创新、实验验证与综合分析。
1. 核心框架与创新模块设计 研究首先提出了LGFVM-UNet的整体架构。该框架遵循经典的U形拓扑结构，包含一个四阶段的编码器、一个瓶颈层和一个四阶段的解码器。其核心创新在于三个关键模块： * 动态门控增强的局部-全局融合视觉状态空间模块（Local-Global Fusion Visual State Space Block, LGF-VSS）：这是网络的基本特征提取单元。与标准视觉状态空间（VSS）模块不同，LGF-VSS在并行路径中集成了多尺度卷积分支（使用1x1、3x3、5x5卷积核）和Mamba状态空间分支。其核心创新是一个名为QuadGate的动态门控机制。该机制通过对输入特征进行自适应平均池化、线性投影和Softmax归一化，生成像素级的权重图，分别分配给Mamba分支和三个卷积分支。这使得网络能够根据图像内容自适应地调整策略：在均匀组织区域（如肝脏内部）优先使用Mamba分支以保证全局一致性；在复杂边界（如肿瘤边缘）则优先使用卷积分支以确保局部精度，从而协同建模全局上下文与局部细节。 * 多层次跨尺度特征融合模块（Multi-level Cross-scale Feature Fusion Block, MCFB）：此模块取代了传统的跳跃连接。其功能是进行语义对齐。它接收来自所有编码器阶段的特征图以及当前解码器的特征，通过双向重采样（对高层特征上采样，对低层特征下采样）将所有特征对齐到当前解码器分辨率。随后，通过一个空间-通道双重注意力机制，计算解码器特征与每个对齐后的编码器特征之间的空间相关性和通道语义依赖，生成一个综合的注意力图，用以调制和选择性地融合编码器特征。这使解码器能够访问整个编码历史，而非仅对应层级的特征，有效缓解了Mamba的1D扫描与解码器2D重建之间的语义鸿沟。 * 基于梯度统计的自适应分层损失函数（Gradient Statistics-based Adaptive Hierarchical Loss）：研究提出了一种动态的损失权重调整策略。在深度监督中，网络在多个解码器阶段（本研究为前三个阶段）设置了辅助分割头。传统的做法是使用预定义的静态权重组合这些辅助损失。本研究则实时监控每个监督阶段损失函数的梯度幅度，该幅度反映了该语义层级当前的学习状态和优化潜力。通过一个结合了动量平滑和温度系数的Softmax函数，根据梯度幅度动态计算并更新每个辅助损失的权重。这样，训练过程能够自适应地调整对不同尺度特征的监督强度，优化学习进程，解决多层级学习中的不平衡问题。
2. 实验数据集与预处理 为了全面验证方法的有效性和泛化能力，研究在五个公开的医学影像数据集上进行了实验，覆盖了多种成像模态和解剖结构： * Synapse多器官分割数据集：包含30例腹部CT扫描（共3779个轴状切片），标注了8个腹部器官。用于验证多器官分割的鲁棒性。 * ACDC心脏MRI数据集：包含100例心脏MRI扫描，标注了舒张末期和收缩末期的心室、心肌区域。用于验证对动态器官和薄壁结构的处理能力。 * ISIC皮肤镜图像数据集：包括ISIC2017（2000训练，600测试）和ISIC2018（2594张图像）两个子集，用于皮肤病变分割。数据存在类间不平衡和形态变异大的特点。 * CVC-ClinicDB结肠镜数据集：包含612张息肉图像，存在光照变化、镜面反射等干扰。用于验证胃肠道病变检测能力。
所有数据集均进行了统一的数据预处理（如重采样至固定分辨率）和数据增强（包括空间变换如旋转、弹性变形，以及强度扰动如亮度调制、添加高斯噪声等），以确保实验的公平性和模型的泛化性。
3. 实验设置与评估指标 所有基线模型和对比的最新模型均在相同的本地硬件环境（NVIDIA GeForce RTX 4090 GPU）和数据协议下重新实现和训练，确保了比较的公平性。训练采用AdamW优化器、余弦退火学习率调度，最大训练轮数为200轮。 评估指标方面，对于多类分割任务（Synapse, ACDC），主要采用戴斯相似系数（Dice Similarity Coefficient, DSC） 和95%豪斯多夫距离（95% Hausdorff Distance, HD95）；对于二值分割任务（ISIC, CVC-ClinicDB），额外报告了平均交并比（mIoU）、准确率（Acc）、敏感性（Sen）和特异性（Spe），以全面评估分割质量。
4. 对比实验与消融分析流程 * 对比实验：将LGFVM-UNet与一系列基线方法和最先进方法进行定量比较，包括经典的U-Net、U-Net++，Transformer-based的SwinUNet、TransUNet，以及最新的Mamba-based方法如VM-UNetV2、H-VMUNet、MSVM-UNet、Semi-Mamba-UNet等。 * 消融研究：这是本研究分析工作的核心，旨在验证每个提出组件的有效性。具体包括： * 核心组件贡献分析：逐步添加LGF-VSS模块和MCFB模块，观察性能变化。 * LGF-VSS内部结构剖析：分别测试仅使用SSM分支、仅使用CNN分支、简化混合分支等情况，验证多尺度融合和动态门控的必要性。 * 卷积核组合分析：测试不同并行卷积核大小组合（如[1,3]、[3,5]、[1,3,5]、[3,5,7]等）对性能的影响。 * 门控机制有效性：将QuadGate与固定求和、拼接后卷积等静态或简单融合策略进行对比。 * MCFB组件分析：验证多层级输入（对比单层级）和双重注意力机制（对比无注意力）的作用。 * 模块替换实验：将MCFB与注意力门（Attention Gate）、扫描解耦集成模块（Scan-decoupled Integration Module）等其他先进融合机制对比；将QuadGate与卷积块注意力模块（CBAM）、全局-局部空间感知（GLSP）等机制对比。 * 自适应损失超参分析：通过实验确定动量系数α、温度参数τ以及主损失权重λ的最佳取值。 * 模型复杂度分析：统计并对比不同模型的参数量（Params）和计算量（FLOPs）。
四、 主要研究结果
1. 定量对比实验结果 LGFVM-UNet在所有五个数据集上均取得了最先进或极具竞争力的性能。 * Synapse多器官数据集：LGFVM-UNet取得了最高的平均DSC 88.74% 和最低的平均HD95 6.65。相较于次优的MSVM-UNet（DSC 87.41%, HD95 8.91），DSC提升了1.33%，HD95降低了2.26。尤其在具有挑战性的胰腺分割上达到了75.00% DSC，显著优于其他方法。这证明了其平衡处理不同尺寸、对比度器官的能力。 * ACDC心脏数据集：取得了最高的平均DSC 92.40%，HD95为21.97。对于薄壁的心肌（Myo）分割达到了90.13% DSC，优于TransUNet的85.88%和其他Mamba基方法，显示了其在保留精细结构细节方面的优势。 * ISIC皮肤病变数据集：在ISIC2017和ISIC2018上分别取得了91.70% 和91.35% 的DSC，在保持高特异性的同时，敏感性也表现优异（ISIC2017为91.08%），表明模型能可靠检测病变且不易产生误报。 * CVC-ClinicDB息肉数据集：DSC达到91.03%，特异性高达99.55%，在具有挑战性的结肠镜图像中实现了高精度检测与低误报率的理想平衡。
2. 模型复杂度与效率分析 在模型效率方面，LGFVM-UNet在性能与复杂度间取得了良好平衡。其参数量为41.68M，计算量为14.03 GFLOPs（输入尺寸224x224）。虽然参数量高于一些轻量级Mamba模型（如H-VMUNet的8.97M），但显著低于Transformer-based的TransUNet（111.42M）。与性能最接近的MSVM-UNet（35.93M, 13.90 GFLOPs）相比，LGFVM-UNet以仅增加0.13 GFLOPs（%）的计算代价，换取了1.33%的DSC提升，这主要归功于其更有效的特征融合机制所带来的临床精度增益。
3. 消融研究结果与逻辑支撑 消融研究系统地证明了每个创新组件的价值： * LGF-VSS与MCFB的协同作用：仅使用LGF-VSS（无MCFB）使DSC从基线84.22%提升至85.52%；仅使用MCFB（无LGF-VSS）提升至87.65%，但计算量大幅增加（26.78 GFLOPs）；两者结合达到最佳性能88.74% DSC和6.65 HD95，且计算量可控（14.03 GFLOPs）。这表明LGF-VSS有效解决了局部特征衰减，而MCFB有效解决了语义鸿沟，二者相辅相成。 * 动态门控（QuadGate）的关键性：使用固定求和融合的简化版LGF-VSS仅获得85.52% DSC。使用学习但静态的融合（拼接+1x1卷积）提升至86.88%。而采用动态的、像素级的QuadGate门控后，性能跃升至88.74%。这强有力地证明了根据图像内容自适应调整全局-局部贡献的策略，对于提升复杂医学图像的分割精度至关重要。 * MCFB设计细节的重要性：仅使用单层级编码器特征的MCFB性能（86.15% DSC）显著低于使用多层级特征的完整MCFB（88.74%）。移除空间-通道双重注意力机制，性能下降至87.34%。这验证了引入全编码历史和注意力驱动的语义对齐均是MCFB有效工作的必要条件。 * 自适应损失函数的有效性：禁用自适应权重（即使用静态权重），模型性能下降至85.82% DSC；启用后恢复至88.74%。这证明了基于梯度统计的动态调整能够优化多层级监督，引导模型更高效地学习。 * 最优配置确认：通过消融实验确定了网络的最佳配置，包括编码器/解码器各阶段LGF-VSS块的分布（编码器[2,2,2,2]，解码器[2,2,2,1]）、并行卷积核组合（[1,3,5]）以及自适应损失超参数（α=0.8, τ=0.2, λ=0.75）。
4. 定性分析结果 可视化对比显示，LGFVM-UNet在具有挑战性的案例中（如小器官、低对比度区域、相邻器官边界）能产生更准确、更连续的分割边界，减少了渗漏和假阳性。同时，研究也坦诚地展示了典型失败案例（如对极小的主动脉分支分割不全，或在某些切片中完全漏分割形态不规则、对比度极低的胰腺），明确了模型在极端尺度变化和模糊语义边界情况下仍存在局限，为未来改进指明了方向。
五、 研究结论与价值
本研究成功提出了LGFVM-UNet框架，有效解决了Mamba类模型在医学图像分割中面临的局部特征衰减和跨尺度语义鸿沟问题。通过理论创新与系统实验，得出以下结论： 1. 架构有效性：集成LGF-VSS、MCFB和自适应分层损失的LGFVM-UNet框架，能够在保持线性计算复杂度优势的前提下，显著提升医学图像分割的精度，特别是在处理复杂解剖结构和精细边界方面。 2. 核心机制价值：动态门控融合（QuadGate）是实现全局上下文与局部细节自适应平衡的关键；多层次、注意力驱动的特征融合（MCFB）是弥合1D扫描与2D重建语义鸿沟的有效桥梁；基于梯度统计的自适应监督能优化多层级学习过程。 3. 泛化能力与实用潜力：在涵盖CT、MRI、皮肤镜、结肠镜等多种模态和部位的数据集上取得一致性的优越性能，证明了该框架具有良好的泛化能力和临床应用潜力。其效率与精度的平衡使其有望部署于对实时性有要求的临床环境。
本研究的科学价值在于为状态空间模型在视觉任务，特别是医学图像分析中的应用提供了新的思路和解决方案，推动了高效长程建模与局部特征提取的融合研究。其应用价值在于提供了一种更精准、更高效的医学图像分割工具，可辅助医生进行诊断、手术规划和疗效评估，提升诊疗水平与效率。
六、 研究亮点
七、 其他有价值的内容
论文最后对未来的研究方向进行了展望，指出LGFVM-UNet的设计原则具有扩展潜力，例如：将其扩展到3D体积数据分析（如将2D扫描扩展为3D三平面扫描）；在弱监督学习场景中，利用LGF-VSS的门控权重作为注意力图来指导基于涂鸦或点标注的训练；利用MCFB的双重注意力机制进行多模态图像（如CT与MRI）的特征对齐与融合。这些展望为后续研究提供了清晰的路线图。此外，论文公开了全部源代码，促进了研究的可重复性和社区的进一步发展。