结合CNN-Mamba的多模态脑肿瘤图像分割

来源：计算机工程与应用杂志2026年第13期北京时间：

作者：杜兆永, 张魁星

单位：山东中医药大学 医学信息工程学院，济南 250355；

摘要：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。

关键词：CNN-Mamba,多模态脑肿瘤影像分割,状态空间模型,多尺度融合,数据增强

基金资助：国家自然科学基金（62402297）；山东省自然科学基金（ZR2023QF146）；山东省研究生优质教育教学资源项目（SDYKC2023045）；山东省本科教学改革研究项目（Z2024228）。