ASM-UNet：自适应扫描 Mamba 整合群体共性和个体差异用于细粒度分割

精确的病灶切除取决于对精细解剖结构的准确识别。尽管许多粗粒度分割（CGS）方法在大规模分割（例如，器官）方面取得了成功，但在需要精细粒度分割（FGS）的临床场景中却表现不佳，因为小规模解剖结构频繁的个体差异仍然是一个挑战。尽管最近基于 Mamba 的模型在医学图像分割方面取得了进展，但它们通常依赖于固定的手动定义的扫描顺序，这限制了它们对 FGS 中个体差异的适应性。为了解决这个问题，我们提出了 ASM-UNet，一种用于 FGS 的新型基于 Mamba 的架构。它引入了自适应扫描分数，通过结合群体层面的共性和个体层面的差异来动态指导扫描顺序。在两个公开数据集（ACDC 和 Synapse）和一个新提出的具有挑战性的胆道 FGS 数据集 BTMS 上进行的实验表明，ASM-UNet 在 CGS 和 FGS 任务上均取得了卓越的性能。我们的代码和数据集可在 https://github.com/YqunYang/ASM-UNet 获取。