DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights

📄 arXiv: 2510.14383v2 📥 PDF

作者: Danish Ali, Ajmal Mian, Naveed Akhtar, Ghulam Mubashar Hassan

分类: cs.CV

发布日期: 2025-10-16 (更新: 2025-10-28)

💡 一句话要点

提出DRBD-Mamba模型，用于鲁棒高效的脑肿瘤分割，并提供分析性见解

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 脑肿瘤分割 Mamba模型 状态空间模型 医学影像分析 深度学习 空间填充曲线 双向网络

📋 核心要点

  1. 脑肿瘤分割面临肿瘤异质性挑战，现有方法计算开销大，且在不同数据集上的鲁棒性不足。
  2. 提出双分辨率双向Mamba（DRBD-Mamba）模型，利用空间填充曲线和门控融合模块，提升效率和鲁棒性。
  3. 在BraTS2023数据集上，DRBD-Mamba在分割精度和计算效率上均优于现有方法，效率提升15倍。

📝 摘要（中文）

精确的脑肿瘤分割对于临床诊断和治疗至关重要，但由于肿瘤的异质性而仍然具有挑战性。基于Mamba的状态空间模型已经展示出令人鼓舞的性能。然而，尽管它们比其他神经架构具有更高的计算效率，但由于它们在多个空间轴上的顺序特征计算，因此对于此任务会产生相当大的开销。此外，它们在不同的BraTS数据分区中的鲁棒性在很大程度上尚未被探索，这在可靠的评估中留下了一个关键的空白。为了解决这个问题，我们首先提出了一种双分辨率双向Mamba（DRBD-Mamba），这是一种高效的3D分割模型，可以以最小的计算开销捕获多尺度远程依赖关系。我们利用空间填充曲线来保持3D到1D特征映射期间的空间局部性，从而减少对计算昂贵的多轴特征扫描的依赖。为了丰富特征表示，我们提出了一个门控融合模块，该模块自适应地整合前向和反向上下文，以及一个量化块，可以提高鲁棒性。我们进一步在BraTS2023上提出了五个系统折叠，用于在不同条件下对分割技术进行严格评估，并对常见的失败场景进行分析。在最新方法使用的20%测试集上，我们的模型在全肿瘤、肿瘤核心和增强肿瘤的Dice系数上分别提高了0.10%、1.75%和0.93%。在提出的系统折叠上的评估表明，我们的模型保持了具有竞争力的全肿瘤准确率，同时在肿瘤核心和增强肿瘤上实现了比现有最先进技术分别高出1.16%和1.68%的平均Dice增益。此外，我们的模型实现了15倍的效率提升，同时保持了较高的分割准确率，突出了其相对于现有方法的鲁棒性和计算优势。

🔬 方法详解

问题定义：脑肿瘤分割旨在准确识别医学图像中的肿瘤区域，对诊断和治疗至关重要。现有基于Mamba的模型虽然在计算效率上有所提升，但由于其在多个空间轴上的顺序特征计算，仍然存在计算开销大的问题。此外，这些模型在不同数据集上的鲁棒性有待提高，缺乏系统性的评估。

核心思路：DRBD-Mamba的核心思路是通过双分辨率处理和双向Mamba结构，在保证分割精度的前提下，显著降低计算复杂度，并提升模型的鲁棒性。利用空间填充曲线保持空间局部性，减少对多轴特征扫描的依赖，从而降低计算开销。通过门控融合模块自适应地整合前向和反向上下文，增强特征表示。

技术框架：DRBD-Mamba模型主要包含以下几个关键模块： 1. 双分辨率处理：采用两种分辨率的输入，以捕获不同尺度的特征信息。 2. 空间填充曲线：将3D特征映射到1D序列，以减少计算复杂度。 3. 双向Mamba：利用前向和反向的Mamba结构，捕获上下文信息。 4. 门控融合模块：自适应地融合前向和反向上下文特征。 5. 量化块：提高模型的鲁棒性。

关键创新：DRBD-Mamba的关键创新在于： 1. 双分辨率双向Mamba结构：结合了双分辨率处理和双向Mamba，在保证精度的同时，显著降低了计算复杂度。 2. 空间填充曲线的应用：通过空间填充曲线保持空间局部性，减少了对多轴特征扫描的依赖。 3. 门控融合模块：自适应地融合前向和反向上下文特征，增强了特征表示。

关键设计： 1. 空间填充曲线的选择：论文选择了特定的空间填充曲线，以最大程度地保持空间局部性。 2. 门控融合模块的结构：门控融合模块采用特定的门控机制，以自适应地融合前向和反向上下文特征。 3. 量化块的设计：量化块采用特定的量化策略，以提高模型的鲁棒性。 4. 损失函数：使用了Dice损失函数等常用的分割损失函数。

📊 实验亮点

DRBD-Mamba在BraTS2023数据集上取得了显著的性能提升。在20%的测试集上，全肿瘤、肿瘤核心和增强肿瘤的Dice系数分别提高了0.10%、1.75%和0.93%。在提出的系统折叠上，肿瘤核心和增强肿瘤的平均Dice增益分别达到1.16%和1.68%。此外，该模型实现了15倍的效率提升，突出了其计算优势。

🎯 应用场景

该研究成果可应用于医学影像分析领域，特别是脑肿瘤的自动分割，辅助医生进行诊断和治疗方案制定。该模型的高效性和鲁棒性使其更易于部署到实际临床环境中，有望提高诊断效率和准确性，并为患者提供更个性化的治疗方案。未来，该方法可以扩展到其他器官或疾病的分割任务中。

📄 摘要（原文）

Accurate brain tumor segmentation is significant for clinical diagnosis and treatment but remains challenging due to tumor heterogeneity. Mamba-based State Space Models have demonstrated promising performance. However, despite their computational efficiency over other neural architectures, they incur considerable overhead for this task due to their sequential feature computation across multiple spatial axes. Moreover, their robustness across diverse BraTS data partitions remains largely unexplored, leaving a critical gap in reliable evaluation. To address this, we first propose a dual-resolution bi-directional Mamba (DRBD-Mamba), an efficient 3D segmentation model that captures multi-scale long-range dependencies with minimal computational overhead. We leverage a space-filling curve to preserve spatial locality during 3D-to-1D feature mapping, thereby reducing reliance on computationally expensive multi-axial feature scans. To enrich feature representation, we propose a gated fusion module that adaptively integrates forward and reverse contexts, along with a quantization block that improves robustness. We further propose five systematic folds on BraTS2023 for rigorous evaluation of segmentation techniques under diverse conditions and present analysis of common failure scenarios. On the 20% test set used by recent methods, our model achieves Dice improvements of 0.10% for whole tumor, 1.75% for tumor core, and 0.93% for enhancing tumor. Evaluations on the proposed systematic folds demonstrate that our model maintains competitive whole tumor accuracy while achieving clear average Dice gains of 1.16% for tumor core and 1.68% for enhancing tumor over existing state-of-the-art. Furthermore, our model achieves a 15x efficiency improvement while maintaining high segmentation accuracy, highlighting its robustness and computational advantage over existing methods.