一、引言：医学图像分割的挑战与机遇
医学图像分割是辅助疾病诊断和治疗规划的关键技术，但传统方法常受限于复杂病理特征和微小结构。现有深度学习模型（如CNN和Transformer）虽各有优势，但CNN难以建模长距离依赖，而Transformer的计算复杂度高且易忽略局部细节。
最新突破：来自北京理工大学的研究团队提出了一种双路径融合模型PGM-UNet，结合CNN的局部感知力与Mamba的全局建模能力，显著提升了分割精度与效率，相关成果已发表于顶会论文。
二、核心创新：PGM-UNet的三大技术亮点
1. 提示引导的Mamba模块（PGRM）
- 动态视觉提示：从原始输入中提取关键线索（如病灶边缘），指导Mamba更精准捕捉全局信息。
- 即插即用：该模块可灵活嵌入其他任务，优化信息提取流程。
2. 双路径融合架构（LG-Net）
- 并行分支设计：CNN路径提取局部细节（如血管纹理），Mamba路径建模全局上下文（如病灶形态）。
- 注意力融合（MAFM）：通过通道注意力机制动态加权局部与全局特征，抑制冗余信息，聚焦关键区域。
3. 多尺度信息提取模块（MIEM）
- 空洞卷积+KAN网络：利用不同扩张率的卷积捕获多尺度特征，结合KAN网络的强非线性表达能力，增强模型对复杂结构的解析力。
三、实验结果：全面超越SOTA模型
- 皮肤病变分割（ISIC-2017/2018）：平均DSC达87.69%，较Mamba模型AC-MambaSeg提升1.16%。
- 血管分割（DIAS/DRIVE）：在视网膜血管分割中，敏感度（Sen）提升0.77%，精准捕捉毛细血管网络。
- 泛化性能：在跨数据集测试（ISIC-2018→PH2）中，DSC仍保持92.01%，展现强鲁棒性。
四、技术价值与未来展望
- 临床意义：为皮肤病、血管疾病等提供高精度自动化诊断工具，降低人工标注成本。
- 局限与改进：当前模型对毛发遮挡（如皮肤图像）和密集毛细血管的细节处理仍有提升空间，未来计划引入更高效注意力机制。
- 扩展应用：研究团队计划基于提示学习开发“全能型”医学分割模型，适配多模态数据与跨设备场景。
五、结语：AI赋能精准医疗的新里程碑
PGM-UNet通过创新的双路径设计和提示学习，为医学图像分割树立了新标杆。其高效性与精准性不仅推动学术进展，更为临床落地提供了可靠工具。未来，随着模型优化与多任务扩展，AI辅助诊断的边界将进一步拓宽。
论文地址：https://arxiv.org/abs/2503.19589