结合CNN-Mamba的多模态脑肿瘤图像分割OA

脑肿瘤影像的精准分割对临床诊断和治疗规划至关重要。针对分割过程中肿瘤边界定位模糊、小目标特征提取困难的问题,提出一种以3D U-Net框架为基础,结合CNN-Mamba的图像分割模型CMNet(CNN-Mamba Net)。该模型通过设计小结构保护的自适应数据增强策略(structure-protected adaptive data augmentation,SPADA),缓解脑瘤影像中病变区域占比失衡现象,提升对小病灶区域的识别能力;构建残差并行卷积模块(residual parallel convolution,RPC),结合局部-全局的双重残差连接与多尺度并行卷积路径,增强对多尺度特征的提取能力;在此基础上,设计三阶状态空间Mamba编码器(tri-level Mamba encoder,TLME),捕获长程特征依赖关系并强化全局特征交互,进而实现局部细节与全局语义信息的有效融合;为进一步强化空间特征表达,在跳跃连接路径中引入多尺度增强特征融合模块(multi-scale enhanced feature fusion,MSEFF)并集成门控机制,实现跨尺度空间信息的自适应筛选与整合。基于BraTS2021数据集的验证结果显示,所提方法在全肿瘤(whole tumor,WT)、肿瘤核心(tumor core,TC)和增强肿瘤区域(enhancing tumor,ET)上的Dice系数分别达到0.928、0.913、0.885,HD95值分别为2.984 mm、3.23 mm、2.37 mm,对比实验中,CMNet在分割精度上性能突出,验证了模型的有效性及其潜在的临床应用价值。