一、引言：醫學圖像分割的挑戰與機遇 ?

醫學圖像分割是輔助疾病診斷和治療規劃的關鍵技術，但傳統方法常受限于復雜病理特征和微小結構。現有深度學習模型（如CNN和Transformer）雖各有優勢，但CNN難以建模長距離依賴，而Transformer的計算復雜度高且易忽略局部細節。 ?

最新突破：來自北京理工大學的研究團隊提出了一種雙路徑融合模型PGM-UNet，結合CNN的局部感知力與Mamba的全局建模能力，顯著提升了分割精度與效率，相關成果已發表于頂會論文。

二、核心創新：PGM-UNet的三大技術亮點 ?

1. 提示引導的Mamba模塊（PGRM） ?

???- 動態視覺提示：從原始輸入中提取關鍵線索（如病灶邊緣），指導Mamba更精準捕捉全局信息。 ?

???- 即插即用：該模塊可靈活嵌入其他任務，優化信息提取流程。 ?

2. 雙路徑融合架構（LG-Net） ?

???- 并行分支設計：CNN路徑提取局部細節（如血管紋理），Mamba路徑建模全局上下文（如病灶形態）。 ?

???- 注意力融合（MAFM）：通過通道注意力機制動態加權局部與全局特征，抑制冗余信息，聚焦關鍵區域。 ?

3. 多尺度信息提取模塊（MIEM） ?

???- 空洞卷積+KAN網絡：利用不同擴張率的卷積捕獲多尺度特征，結合KAN網絡的強非線性表達能力，增強模型對復雜結構的解析力。 ?

三、實驗結果：全面超越SOTA模型 ?

- 皮膚病變分割（ISIC-2017/2018）：平均DSC達87.69%，較Mamba模型AC-MambaSeg提升1.16%。 ?

- 血管分割（DIAS/DRIVE）：在視網膜血管分割中，敏感度（Sen）提升0.77%，精準捕捉毛細血管網絡。 ?

- 泛化性能：在跨數據集測試（ISIC-2018→PH2）中，DSC仍保持92.01%，展現強魯棒性。 ?

四、技術價值與未來展望 ?

- 臨床意義：為皮膚病、血管疾病等提供高精度自動化診斷工具，降低人工標注成本。 ?

- 局限與改進：當前模型對毛發遮擋（如皮膚圖像）和密集毛細血管的細節處理仍有提升空間，未來計劃引入更高效注意力機制。 ?

- 擴展應用：研究團隊計劃基于提示學習開發“全能型”醫學分割模型，適配多模態數據與跨設備場景。

五、結語：AI賦能精準醫療的新里程碑 ?

PGM-UNet通過創新的雙路徑設計和提示學習，為醫學圖像分割樹立了新標桿。其高效性與精準性不僅推動學術進展，更為臨床落地提供了可靠工具。未來，隨著模型優化與多任務擴展，AI輔助診斷的邊界將進一步拓寬。

論文地址：https://arxiv.org/abs/2503.19589