CS-MUNet: A Channel-Spatial Dual-Stream Mamba Network for Multi-Organ Segmentation

📄 arXiv: 2603.19659v1 📥 PDF

作者: Yuyang Zheng, Mingda Zhang, Jianglong Qin, Qi Mo, Jingdan Pan, Haozhe Hu, Hongyi Huang

分类: cs.CV

发布日期: 2026-03-20

备注: 18 pages, 5 figures

💡 一句话要点

CS-MUNet：用于多器官分割的通道-空间双流Mamba网络

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

关键词: 多器官分割 Mamba网络 状态空间模型 医学图像分析 深度学习 边界感知 通道注意力

📋 核心要点

  1. 现有基于Mamba的腹部器官分割方法忽略了跨通道的解剖语义协作，限制了分割精度。
  2. CS-MUNet通过边界感知状态Mamba模块和通道Mamba状态聚合模块，显式建模边界信息和通道间语义关系。
  3. 在两个公共数据集上的实验结果表明，CS-MUNet在多个指标上超越了现有最佳方法。

📝 摘要（中文）

本文提出了一种名为CS-MUNet的网络，用于解决基于Mamba的方法在腹部器官分割中忽略跨通道解剖语义协作以及缺乏显式边界感知特征融合机制的问题。CS-MUNet包含两个专门构建的模块：边界感知状态Mamba模块，它采用贝叶斯注意力框架生成像素级边界后验图，并将其直接注入Mamba的核心扫描参数中，从而将边界感知嵌入到SSM状态转换机制中；以及通道Mamba状态聚合模块，它将通道维度重新定义为SSM序列维度，以数据驱动的方式显式地建模跨通道解剖语义协作。在两个公共基准数据集上的实验表明，CS-MUNet在多个指标上始终优于最先进的方法，从而建立了一种新的SSM建模范式，该范式共同解决了腹部多器官分割中的通道语义协作和边界感知特征融合问题。

🔬 方法详解

问题定义：现有的基于Mamba的腹部多器官分割方法主要存在两个痛点：一是忽略了不同通道之间的解剖语义关联，导致模型无法充分利用上下文信息；二是缺乏有效的边界感知机制，难以准确分割器官边缘。这两个问题限制了分割精度和鲁棒性。

核心思路：CS-MUNet的核心思路是同时关注通道间的语义协作和边界信息。通过将通道维度视为序列维度，利用Mamba建模通道间的依赖关系；同时，通过贝叶斯注意力机制提取边界信息，并将其融入Mamba的状态转移过程中，从而实现更精确的分割。

技术框架：CS-MUNet采用双流网络结构。其中一个分支是边界感知状态Mamba模块，负责提取和融合边界信息；另一个分支是通道Mamba状态聚合模块，负责建模通道间的语义关系。这两个分支的输出进行融合，最终得到分割结果。整体框架类似于一个U-Net结构，但核心模块替换为了基于Mamba的模块。

关键创新：CS-MUNet的关键创新在于两个方面：一是将Mamba应用于通道维度，从而显式地建模通道间的语义关系，这是一种新的SSM建模范式；二是将边界信息直接注入Mamba的状态转移参数中，从而实现了边界感知和全局上下文信息的有效融合。

关键设计：边界感知状态Mamba模块使用贝叶斯注意力框架生成像素级边界后验图，并将其作为先验知识注入到Mamba的C、B、Delta参数中。通道Mamba状态聚合模块将通道维度重塑为序列维度，并使用Mamba进行建模。损失函数方面，论文可能使用了Dice Loss或Cross-Entropy Loss等常用的分割损失函数，具体细节可能在论文正文中。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

CS-MUNet在两个公共数据集上取得了显著的性能提升。具体来说，在XXX数据集上，CS-MUNet的Dice系数比现有最佳方法提高了X%，在YYY数据集上，提高了Y%。这些结果表明，CS-MUNet在腹部多器官分割任务中具有很强的竞争力。

🎯 应用场景

CS-MUNet在医学图像分析领域具有广泛的应用前景，例如腹部多器官自动分割、病灶检测、手术规划等。该研究可以提高诊断效率和准确性，辅助医生进行更精准的治疗决策，并有望应用于其他医学图像分割任务中，例如脑部、心脏等器官的分割。

📄 摘要（原文）

Recently Mamba-based methods have shown promise in abdominal organ segmentation. However, existing approaches neglect cross-channel anatomical semantic collaboration and lack explicit boundary-aware feature fusion mechanisms. To address these limitations, we propose CS-MUNet with two purpose-built modules. The Boundary-Aware State Mamba module employs a Bayesian-attention framework to generate pixel-level boundary posterior maps, injected directly into Mamba's core scan parameters to embed boundary awareness into the SSM state transition mechanism, while dual-branch weight allocation enables complementary modulation between global and local structural representations. The Channel Mamba State Aggregation module redefines the channel dimension as the SSM sequence dimension to explicitly model cross-channel anatomical semantic collaboration in a data-driven manner. Experiments on two public benchmarks demonstrate that CS-MUNet consistently outperforms state-of-the-art methods across multiple metrics, establishing a new SSM modeling paradigm that jointly addresses channel semantic collaboration and boundary-aware feature fusion for abdominal multi-organ segmentation.