2026-05-18 医学图像分割论文精读：Topo-VM-UNetV2 与 CMFDNet

503611908 发布于 3 小时前 12 次阅读

今日医学图像分割最新论文精读追踪

今日结论

今天没有找到 2026-05-18 当天刚发布且质量明显足够的医学图像分割顶会/顶刊论文；因此按任务规则向 2025 年以来回溯，并在排除历史已推荐论文后，选择了两篇与用户方向高度相关的 Mamba / U-Net 类 polyp segmentation 论文。两篇都不是泛泛综述：一篇是基于 VMamba-Tiny 的 Cross-Mamba decoder 框架 CMFDNet，另一篇是把 persistent homology/topology attention 接入 VM-UNetV2 的 Topo-VM-UNetV2；共同趋势是：2025 年的息肉分割工作仍在围绕“边界、小目标、跨数据集泛化”对 U-Net/Mamba 解码与融合模块做结构性增强。

检索说明

检索范围覆盖 arXiv、Semantic Scholar/OpenAlex 可检索元数据，以及历史 cron 输出记录；重点关键词包括 medical image segmentation、polyp segmentation、Mamba medical segmentation、U-Net medical segmentation、universal medical segmentation 等。由于当天未发现足够新的顶会/顶刊医学图像分割正式论文，今天从 2025 年以来的公开论文中回溯筛选；两篇入选论文均为 2025 年及以后论文。已检查历史推荐记录并排除了重复论文；本次历史记录中已跳过/未再入选的重复候选包括 TopoMamba、Sharpening Lightweight Models for Generalized Polyp Segmentation、USEMA、Med-DisSeg 等。

WordPress 发布

  • WordPress 文章链接：待发布后填写
  • WordPress Post ID：待发布后填写

论文 1：CMFDNet: Cross-Mamba and Feature Discovery Network for Polyp Segmentation

基本信息

  • 标题：CMFDNet: Cross-Mamba and Feature Discovery Network for Polyp Segmentation
  • 作者 / 第一作者：Feng Jiang, Zongfei Zhang, Xin Xu / Feng Jiang
  • 时间：2025-08-25（arXiv v1）；arXiv comments 标注“accepted by ICONIP 2025 but not published”
  • 来源：arXiv preprint；作者备注称已被 ICONIP 2025 接收但尚未出版
  • 论文页面链接：https://arxiv.org/abs/2508.17729
  • PDF 文件 / PDF 链接：本地PDF附件：CMFDNet_2508.17729.pdf；https://arxiv.org/pdf/2508.17729
  • 代码链接：未获取 / 论文正文和 arXiv 页面未给出可确认 GitHub 链接
  • 任务：2D colonoscopy polyp segmentation
  • 数据集：Kvasir-SEG、CVC-ClinicDB、ETIS、ColonDB、EndoScene；训练使用 Kvasir-SEG 900 张 + ClinicDB 550 张，其余作为可见测试，ETIS/ColonDB/EndoScene 作为 unseen/generalization 测试
  • 方法类型：VMamba-Tiny encoder + Cross-Mamba Decoder + multi-scale convolution + feature discovery 的 U-shaped/Mamba-based polyp segmentation framework

paper-deep-reader 精读结果

1. 一句话结论

CMFDNet 的主要价值在于把 Mamba/SS2D 的跨方向扫描明确放进 U-Net 式 decoder 融合路径，并针对息肉分割的三类痛点——边界模糊、尺度/形态差异、小息肉漏检——分别设计 CMD、MSA、FD 模块；但其实验提升多为中小幅度，且创新由多个已知思想组合而成，需要复现确认公平性和稳定性。

2. 研究背景与核心问题

论文研究 colonoscopy 图像中的自动息肉分割。作者从临床动机出发：结直肠癌具有较高发病率和致死率，息肉是癌前病变，早期发现和切除有助于降低风险；人工内镜检查依赖医生经验，容易受息肉外观变化、边界不清、小目标等因素影响。论文把核心问题拆成三点：不同息肉大小和形状差异大；息肉与周围组织边界模糊；小息肉容易在分割过程中被漏检。对应地，方法并不是提出新的大规模预训练或 foundation model，而是在 VMamba-Tiny encoder 基础上设计更强 decoder/fusion 结构。

3. 现有方法不足

作者认为传统 CNN/U-Net 系列虽然局部纹理和细节建模强，但长程依赖和全局上下文不足；Transformer 能处理全局关系，但计算复杂度较高且对数据量敏感；Mamba/VMamba 具备线性复杂度和较强长程建模能力，但直接用于息肉分割时仍需解决 decoder 中深浅层融合、边界恢复、小目标特征保留问题。论文也把 PraNet、FCBFormer、ECTransNet、Swin-UMamba、VM-Unet、VM-UnetV2 等作为比较对象，说明其定位是“在已有 U-Net/Transformer/Mamba 医学分割框架上做更适合息肉场景的结构改造”。

4. 方法总览

整体框架是 U-shaped segmentation network。encoder 使用预训练 VMamba-Tiny 提取多尺度特征；中间和 skip/bridge 部分使用 MSA（Multi-Scale Aware）模块增强不同尺度和形态的息肉特征；decoder 使用 CMD（Cross-Mamba Decoder）逐级融合深层语义与浅层局部细节；最后用 FD（Feature Discovery）模块融合所有 decoder 阶段特征，以降低小息肉漏检。训练阶段使用 deep supervision，测试阶段不使用 deep supervision。输入统一 resize 到 224×224；训练 150 epochs，batch size 8，AdamW 初始学习率 1e-4，每 50 epoch 衰减一半，并使用随机翻转、旋转、颜色扰动等增强。

5. 核心模块拆解

CMD / Cross-Mamba Decoder。 输入包括第 i 个 MSA 特征 MSA_i 和更深层 decoder 上采样特征 CMD^u_{i+1}。模块先做 row-wise pixel exchange 与 column-wise pixel exchange，得到四组交换特征 S^r_i, D^r_i, S^c_i, D^c_i；再分别送入 VSS Scan。与标准 VSS block 不同，VSS Scan 的 SS2D 采用四种 diagonal scanning 方式进行 cross-scanning。随后行方向两路输出相加、pointwise convolution、GAB attention 得到 B^1_i；列方向同样得到 B^2_i；最后 B^1_i+B^2_i 经过 pointwise/depthwise/pointwise convolution 得到 CMD_i。它解决的是深浅层融合与边界恢复，适合迁移到其他 U-Net/Mamba decoder，但实现复杂度和显存/速度需要复现。

GAB / Global Attention Block。 GAB 并联 channel attention 和 spatial attention，而非 CBAM 式串联。输入特征 M 分别得到 channel 权重和 spatial 权重，经可学习参数 λ 加权融合：W_cs=(1-λ)W'_c+λW'_s，输出为 W_cs × M + M。作者的动机是避免串联注意力中后一个注意力覆盖前一个注意力强调的信息。创新性中等，更像注意力融合策略；可迁移性较强，可作为轻量模块替换 CBAM，但是否优于 CBAM 依赖具体 backbone。

MSA / Multi-Scale Aware Module。 输入第 i 阶段 encoder 特征 S_i，先经 GAB 和 pointwise convolution 扩展通道，再走 3×3、5×5、7×7 depthwise convolution 三个并行分支；三路相加后做 channel shuffle，再用 pointwise convolution 降维。它面向不同尺度/形态息肉，属于典型 multi-kernel depthwise convolution + channel shuffle 设计。对 polyp segmentation 有直接参考价值，也可移植到 CNN/Mamba hybrid encoder/skip path；但创新性有限，重点在是否与 CMD 产生互补。

FD / Feature Discovery Module。 FD 聚合不同 decoder 阶段输出：先将 CMD_3 通过 4×4 transposed convolution 上采样，与 CMD_2 做逐元素乘法并残差相加得到 G_23；再对 G_23 上采样并与 CMD_1 逐元素乘法加残差得到最终输出。它的目标是让高层/低层 decoder 特征建立依赖，减轻小息肉漏检。该模块适合用于 2D polyp segmentation 的 decoder 后处理/多尺度融合；迁移到 3D medical segmentation 时需把转置卷积和尺度对齐改为 3D 版本，并验证小病灶收益。

6. 实验设计与结果

数据集采用息肉分割常用五数据集协议：训练为 Kvasir-SEG 900 张 + CVC-ClinicDB 550 张；Kvasir 和 ClinicDB 剩余图像作为 visible test；ETIS、ColonDB、EndoScene 作为 unseen/generalization test。指标包括 mDice、mIoU、weighted F-measure、S-measure、E-measure、MAE。比较方法为 PraNet、FCBFormer、ECTransNet、Swin-UMamba、VM-Unet、VM-UnetV2，作者称所有方法在相同实验配置下重新运行。

主要结果：在 ETIS 上 CMFDNet mDice 81.85%，优于最好 baseline VM-UnetV2 80.02%，提升 1.83%；ColonDB 上 83.05% vs 81.50%，提升 1.55%；EndoScene 上 90.62% vs 89.95%，提升 0.67%；Kvasir 与 ClinicDB 上提升较小，分别约 0.17% 和 0.16%。消融在 ColonDB/ETIS 上显示：去掉 CMD 对 ColonDB 影响最大，mDice 从 83.05 降至 77.12；去掉 MSA 降至 81.94；去掉 FD 降至 82.50；用 CBAM 替换 GAB 降至 82.46。论文由此主张 CMD 是主贡献，MSA/FD/GAB 提供补充收益。

7. 实验可信度判断

可信之处：使用了息肉分割领域常用五数据集协议，覆盖 visible 与 unseen 测试；baseline 包含 CNN/Transformer/Mamba 系列；有模块级消融，并报告了多指标。需要谨慎之处：第一，提升在 Kvasir/ClinicDB 上非常小，主要优势来自 ETIS/ColonDB 等较难或 unseen 数据；第二，缺少统计显著性、置信区间或多随机种子报告；第三，未报告参数量、FLOPs、FPS/延迟等计算成本，难判断 Cross-Mamba decoder 的效率；第四，论文未提供可确认代码链接，复现门槛较高；第五，Table 1 的文本抽取中个别数值排版有异常，正式读表时应以 PDF 表格为准。整体上，论文证据足以支持“在常用 benchmark 上有提升”，但不足以强支持“临床泛化更可靠”或“计算上优于 Transformer”。

8. 与主流医学图像分割框架的关系

与 U-Net 的关系：CMFDNet 仍是 encoder-decoder + skip/fusion 的 U-shaped 框架，主要改 decoder 和多尺度融合。与 nnU-Net 的关系：不是自动配置 pipeline，也没有 nnU-Net 式预处理/后处理/跨任务配置优势；若做 3D CT/MRI，仍需重写数据和训练策略。与 MedNeXt 的关系：MSA 中的 depthwise/multi-kernel 思路与现代 ConvNeXt/MedNeXt 系轻量大核卷积有相通处，但本文核心不是纯 CNN backbone。与 UNetR/Swin-UNet/TransUNet/TransFuse 的关系：论文用 Mamba/VSS 替代 Transformer 的全局建模，强调线性复杂度。与 VMamba/SegMamba/DAMamba 的关系：它直接基于 VMamba-Tiny encoder 和 VSS Scan；CMD 的 cross-scanning decoder 对 DAMamba 类模块改造有参考价值，尤其是“在 decoder 融合处做方向扫描而非只在 encoder 做 token mixing”。与 medical segmentation foundation model 的关系较弱，没有 prompt、SAM/MedSAM 或大规模预训练适配。

9. 对我课题的价值

对 polyp segmentation：价值较高，任务、数据集、痛点与用户方向高度一致，可作为 Mamba-based polyp segmentation baseline 或 related work。对 DAMamba 改造：CMD 的 row/column exchange + diagonal SS2D scan 值得借鉴，可尝试把 DAMamba 放在 decoder 融合路径而非只做 backbone block；FD 模块也可作为小目标增强后处理。对 3D medical image segmentation：直接价值中等偏低，因为本文是 2D colonoscopy；但多尺度融合和 decoder cross-scan 思路可迁移，需改为 3D 扫描/切片策略并评估计算成本。对论文写作：适合放在 Mamba-based medical segmentation / polyp segmentation related work 中，用于说明 2025 年方法从 encoder Mamba 走向 decoder/feature-fusion Mamba。

10. 阅读建议

建议精读，但不必把它视为决定性 SOTA。优先读 Method 3.1 CMD 和 Table 2 ablation；如果要复现，应先实现 MSA+FD 的轻量版本，再考虑 CMD 的 cross-scanning，因为消融显示 CMD 贡献最大但实现也最复杂。

论文 2：Topo-VM-UNetV2: Encoding Topology into Vision Mamba UNet for Polyp Segmentation

基本信息

  • 标题：Topo-VM-UNetV2: Encoding Topology into Vision Mamba UNet for Polyp Segmentation
  • 作者 / 第一作者：Diego Adame, Jose A. Nunez, Fabian Vazquez, Nayeli Gurrola, Huimin Li, Haoteng Tang, Bin Fu, Pengfei Gu / Diego Adame
  • 时间：2025-05-09（arXiv v1）；Semantic Scholar 元数据标注为 2025 IEEE CBMS
  • 来源：arXiv preprint；Semantic Scholar 显示 2025 IEEE 38th International Symposium on Computer-Based Medical Systems (CBMS)，DOI: 10.1109/CBMS65348.2025.00059
  • 论文页面链接：https://arxiv.org/abs/2505.06210
  • PDF 文件 / PDF 链接：本地PDF附件：Topo_VM_UNetV2_2505.06210.pdf；https://arxiv.org/pdf/2505.06210
  • 代码链接：论文摘要称代码将公开，但当前论文正文/arXiv 页面未给出可确认 GitHub 链接
  • 任务：2D colonoscopy polyp segmentation
  • 数据集：Kvasir-SEG、ClinicDB、ColonDB、ETIS、CVC-300；训练使用 Kvasir-SEG 900 张 + ClinicDB 550 张，测试包括 CVC-300、ColonDB、ETIS、Kvasir/ClinicDB 剩余图像
  • 方法类型：VM-UNetV2 + persistent homology/topology attention + Topo-SDI 的 topology-guided Mamba U-Net

paper-deep-reader 精读结果

1. 一句话结论

Topo-VM-UNetV2 的价值在于把 persistent homology 生成的 topology attention map 作为外部结构先验注入 VM-UNetV2 的 SDI 模块，方法机制比普通“加注意力模块”更有辨识度，尤其适合作为 polyp boundary/topology-aware segmentation 的研究参考。

2. 研究背景与核心问题

论文同样面向结直肠癌筛查中的 colonoscopy polyp segmentation。作者认为 CNN、Transformer 和 Mamba 方法虽然已经显著提升分割性能，但在真实场景中仍可能发生 under-segmentation / over-segmentation：正常组织被误分为息肉，或真实息肉漏检。论文的核心问题不是单纯提升全局上下文，而是让模型关注 connected components、loops/voids、边界连续性和全局结构等拓扑特征，从而改善边界不准和结构错误。

3. 现有方法不足

作者对三类主流方法的判断是：CNN/U-Net 具备强局部特征和 encoder-decoder 优势，但感受野限制使长程依赖建模不足；Transformer 能建模全局信息，但数据需求较高且计算复杂度为二次；Mamba/VMamba/VM-UNet/VM-UNetV2 用 selective scan 以线性复杂度处理长序列，在 polyp segmentation 中有潜力，但仍未显式捕捉拓扑结构。也就是说，Topo-VM-UNetV2 不是重新设计 backbone，而是在强 Mamba baseline VM-UNetV2 上叠加 topology-aware attention。

4. 方法总览

方法分两阶段。Stage 1：先用 VM-UNetV2 为训练和测试图像生成 probability maps；再对 probability maps 计算 persistent homology，得到 persistence diagrams；将每个拓扑特征的 persistence value（death-birth）映射回 birth location，形成 persistence score map；最后用 sigmoid 转为 topology attention map。Stage 2：训练 Topo-VM-UNetV2，把 topology attention maps 注入 VM-UNetV2 的 semantics and detail infusion (SDI) 模块，形成 Topo-SDI。Topo-SDI 先对 encoder 多尺度特征做 CBAM 和 1×1 降维，再把 topology attention map resize 到对应尺度，与特征做 Hadamard product，之后进行多尺度 SDI 融合并送入 decoder。

5. 核心模块拆解

Persistent homology topology attention generation。 输入是 VM-UNetV2 生成的 probability map P，大小 256×256。作者采用 sub-level filtration：选择阈值 0 ≤ t1 < ... < tN ≤ 255，在每个阈值激活概率值小于等于阈值的像素，形成嵌套二值图 X1 ⊂ X2 ⊂ ... ⊂ XN，再构建 cubical complex。对 filtration 计算 persistence diagram：0 维特征对应 connected components，1 维特征对应 loops/holes；每个拓扑特征 σ 有 birth/death pair (b_σ, d_σ)，persistence 为 d_σ-b_σ。作者保留 persistence 高于 50th percentile 的显著特征，并把 persistence 分数赋给接近 birth value 的像素位置，最后 sigmoid 到 [0,1] 得到 attention map。这个模块创新性较明确，适合写进 topology-aware medical segmentation 的 related work。

Topo-SDI。 原 VM-UNetV2 的 SDI 用多尺度特征做 semantics/detail infusion；本文在其中加入 topology attention。给定 encoder 输出多尺度特征 f_i^0，先经 CBAM 得到 f_i^1=φ_i^att(f_i^0)，再经 1×1 convolution 得到 f_i^2 ∈ R^{H_i×W_i×c}。将 topology attention map resize 到同尺度 T_i，用 f_i^3 = H(f_i^2, T_i) 做逐元素调制。之后，对每个目标尺度 i，把其他尺度 j 的特征通过 DownSample / IdentityMap / UpSample 对齐到 H_i×W_i，再经 3×3 convolution，最后用 Hadamard product 融合多尺度特征并送入对应 decoder。它解决的是“特征融合时不知道哪些区域在拓扑上重要”的问题。

两阶段依赖。 一个值得注意的技术点是 topology attention 来自第一阶段 VM-UNetV2 的 prediction probability map，而不是来自 ground truth mask。这样做可用于训练和测试图像，但也引入依赖：如果 Stage 1 的 probability map 质量差，topology attention 可能放大错误结构。论文通过 PM-SDI ablation 说明直接用 probability map 做 attention 不如 PH-derived topology attention，但没有充分讨论 Stage 1 错误传播。

6. 实验设计与结果

实验使用五个公开息肉数据集，训练集为 Kvasir-SEG 900 张和 ClinicDB 550 张；测试集包括 CVC-300 60 张、ColonDB 380 张、ETIS 196 张，以及 Kvasir-SEG 100 张和 ClinicDB 62 张剩余图像。实现基于 PyTorch 和 MONAI，GPU 为 32GB Tesla V100；图像 resize 到 256×256；AdamW，weight decay 0.005，learning rate 0.001，batch size 80，300 epochs，CosineAnnealingLR；使用随机翻转、旋转增强；encoder 初始化对齐 VMamba-S。指标为 DSC、IoU、MAE；每个实验使用不同随机种子运行 5 次并报告平均值。

主要结果：Topo-VM-UNetV2 在五个数据集上均优于 U-Net、U-Net v2、VM-UNet、VM-UNetV2。相对 VM-UNetV2，Kvasir-SEG DSC 从 90.75 提升到 91.95；ClinicDB 从 90.07 到 91.83；ColonDB 从 77.29 到 79.00；ETIS 从 72.39 到 75.68；CVC-300 从 87.14 到 89.39。最大 DSC 提升出现在 ETIS，为 3.29%。消融比较 VM-UNetV2、VM-UNetV2+PM-SDI、VM-UNetV2+Topo-SDI：PM-SDI 只带来小幅或不稳定提升，而 Topo-SDI 在全部五个数据集上提升更明显。计算开销方面，作者报告在 V100 上用 Gudhi 为 1450 张 256×256 训练图计算 topology attention maps 总耗时 186.99 秒。

7. 实验可信度判断

可信之处：相较 CMFDNet，本文报告了 5 次不同随机种子的平均结果，可信度更好；有直接针对 topology attention 的 ablation，即 PM-SDI vs Topo-SDI；还报告了 topology attention 生成耗时。局限也明显：第一，baseline 数量少，只比较 U-Net、U-Net v2、VM-UNet、VM-UNetV2，没有与 PraNet、SANet、Polyp-PVT、Swin-UMamba、最新 Mamba polyp 方法同表比较；作者解释未比较 PraNet/SANet/Polyp-PVT 是因为 U-Net v2 已优于它们，但这不足以替代完整 benchmark。第二，测试阶段也需要先由 VM-UNetV2 生成 probability map 再计算 topology attention，推理 pipeline 是两阶段，端到端部署复杂度高于普通单模型。第三，论文篇幅较短，对 PH 参数、阈值数量、birth location matching 容差等实现细节交代不够充分。第四，尚未给出可确认代码链接。总体上，机制证据较强，benchmark 广度中等，复现可行性暂时受代码缺失限制。

8. 与主流医学图像分割框架的关系

与 U-Net 的关系：它保留 U-shaped encoder-decoder 框架，但把拓扑先验注入多尺度融合模块。与 nnU-Net 的关系：不是 nnU-Net 自动配置系统；但 topology attention 有潜力作为 nnU-Net decoder/skip fusion 的外部结构先验。与 MedNeXt 的关系：不属于纯卷积大核框架，但 persistent homology attention 可作为任意 encoder 的后验结构调制。与 UNetR/Swin-UNet/TransUNet/TransFuse 的关系：论文没有改 Transformer，而是站在 Mamba/VMamba 路线，主张以线性复杂度处理长程依赖，同时用 PH 弥补拓扑结构缺失。与 Mamba/VMamba/SegMamba/DAMamba 的关系：它直接基于 VM-UNetV2，并可启发 DAMamba：不仅在特征序列上做状态空间建模，也可用预测 mask 的拓扑持久性为 decoder 提供空间注意力。与 foundation model 的关系：未使用 SAM/MedSAM，但 topology attention 可以和 foundation model 预测 mask 结合，作为 prompt-free refinement 或 post-hoc structural guidance。

9. 对我课题的价值

对 polyp segmentation：价值很高，尤其适合关注边界、结构一致性、false positive/false negative 的研究。对 DAMamba 改造：非常值得参考。可尝试用 DAMamba baseline 的 probability map 生成 topology attention，再注入 DAMamba decoder 或 skip fusion；也可把 PH attention 作为 auxiliary branch，而不是两阶段离线图。对 3D medical image segmentation：概念价值高但直接迁移成本较大，因为 3D persistent homology/volumetric cubical complex 计算更重，且 3D 器官/肿瘤 topology 更复杂；若用于小规模 3D lesion segmentation，可能要先用 slice-wise 或 downsampled volume attention。对论文写作：适合在 introduction/related work 中作为“topology-aware Mamba medical segmentation”的代表，说明 2025 年方法开始把显式结构先验与 Mamba U-Net 结合。

10. 阅读建议

强烈建议精读。优先读 Stage 1 的 persistent homology attention 生成和 Stage 2 的 Topo-SDI；如果后续做 DAMamba/polyp segmentation 改造，可以先复现 PM-SDI 与 Topo-SDI 的差距，再决定是否引入完整 Gudhi/PH 计算。

今日推荐优先级

  1. Topo-VM-UNetV2：最值得深入读。原因是它的“persistent homology → topology attention → Topo-SDI”机制比普通模块堆叠更有研究辨识度，且与边界、连通性、小目标漏检等 polyp segmentation 核心问题直接相关；对 DAMamba 改造也更有启发性。
  2. CMFDNet：适合作为 Mamba-based polyp segmentation baseline/related work。它的 CMD decoder 有实现参考价值，但整体更像 VMamba encoder + 多模块 decoder/fusion 组合，创新强度略低于 Topo-VM-UNetV2，且缺少计算成本与多 seed 稳定性报告。

今日 PDF 获取情况

  • 论文 1：已附 PDF / 提供 PDF 链接：本地PDF附件：CMFDNet_2508.17729.pdf；https://arxiv.org/pdf/2508.17729
  • 论文 2：已附 PDF / 提供 PDF 链接：本地PDF附件：Topo_VM_UNetV2_2505.06210.pdf；https://arxiv.org/pdf/2505.06210

今日可执行建议

  1. 先读 Topo-VM-UNetV2：把 PH/topology attention 的生成流程复现为独立脚本，先在 Kvasir/ClinicDB prediction map 上可视化 topology attention 是否真的关注边界和结构断裂处。
  2. 把 CMFDNet 的 CMD 当作 DAMamba decoder 改造参考：重点不是照搬全部模块，而是测试“深浅层特征 row/column exchange + diagonal scan”是否能提升 polyp 边界和小目标 DSC/IoU。
  3. related work 写法：Topo-VM-UNetV2 可归入 topology-aware / structure-prior Mamba segmentation；CMFDNet 可归入 Mamba-based polyp segmentation / decoder fusion。二者都适合作为 2025 年后医学图像分割 Mamba 趋势的引用候选。
此作者没有提供个人介绍。
最后更新于 2026-05-18