Weak-Mamba-UNet：涂鸦标注下的弱监督分割终极解决方案

【免费下载链接】Mamba-UNetMamba-UNet Zoo项目地址: https://gitcode.com/gh_mirrors/ma/Mamba-UNet

在医学影像分割领域，精确的标注往往需要专业医师花费大量时间，这一痛点严重制约了深度学习模型的训练效率。Weak-Mamba-UNet作为Mamba-UNet系列的创新成员，通过突破性的弱监督学习技术，仅需简单的涂鸦标注即可实现高精度的医学影像分割，为医疗AI应用提供了高效、经济的解决方案。

什么是弱监督分割？

传统的全监督分割需要像素级精确标注，而弱监督分割仅依赖粗糙的标注信息（如涂鸦、边界框或点标注）即可完成模型训练。这种方式能将医师的标注工作量降低80%以上，同时保持接近全监督的分割精度。

图1：Weak-Mamba-UNet支持的涂鸦标注方式（上：原始医学影像，中：真实分割结果，下：仅需提供的涂鸦标注）

Mamba-UNet架构的革命性突破

Weak-Mamba-UNet基于Mamba-UNet的核心架构演进而来，融合了U-Net的空间特征提取能力与Mamba的序列建模优势。与传统Transformer-based模型相比，Mamba架构在处理长序列数据时具有更高的效率和更低的计算复杂度。

图2：Mamba-UNet与其他分割架构的关系图，展示了从经典UNet到Mamba-UNet的技术演进路径

核心技术亮点

• 选择性状态空间模型(SSM)：高效捕捉医学影像中的长距离依赖关系
• 动态路由机制：智能分配模型注意力，聚焦关键解剖结构
• 多尺度特征融合：结合不同层级的特征信息，提升分割精度
• 弱监督学习模块：code/networks/segmamba.py实现了从涂鸦标注到像素级分割的精准映射

性能表现：超越传统方法的分割精度

在ACDC心脏MRI和Synapse腹部CT数据集上的测试结果表明，Weak-Mamba-UNet在仅使用涂鸦标注的情况下，性能接近全监督模型，显著优于其他弱监督分割方法。

图3：Mamba-UNet与传统分割网络在医学影像数据集上的性能对比（Dice系数越高越好，HD和ASD越低越好）

关键指标提升：

• 在ACDC数据集上Dice系数达到0.9281，较传统UNet提升0.4%
• 在Synapse数据集上HD指标降低24.47，分割边界更接近专家标注
• 训练效率提升30%，所需标注数据量减少75%

快速上手：三步实现弱监督分割

1. 环境准备

git clone https://gitcode.com/gh_mirrors/ma/Mamba-UNet cd Mamba-UNet pip install -r requirements.txt

2. 数据准备

按照code/dataloaders/dataset.py定义的格式，准备医学影像数据和对应的涂鸦标注文件。项目已提供ACDC、Prostate和Synapse数据集的示例标注格式：

• data/ACDC/train_slices.list
• data/Prostate/train_slices.list

3. 模型训练与推理

# 弱监督训练 python code/train_Semi_Mamba_UNet.py --config configs/vmamba_tiny.yaml --weak_supervision scribble # 模型推理 python code/test_2D_fully.py --model_path runs/exp1/best_model.pth --save_result

应用场景与未来展望

Weak-Mamba-UNet特别适用于标注资源有限的医学影像分割任务，如：

• 罕见病影像分析
• 大规模人口健康筛查
• 术中实时分割辅助

项目团队正致力于将该技术扩展到3D医学影像领域，并计划在code/networks/unet_3D.py基础上开发3D版本的Weak-Mamba-UNet。

通过结合Mamba架构的高效序列建模能力与弱监督学习策略，Weak-Mamba-UNet为医学影像分割提供了全新的解决方案，大幅降低了AI模型落地的标注成本，推动医疗AI技术向更广泛的临床应用迈进。

【免费下载链接】Mamba-UNetMamba-UNet Zoo项目地址: https://gitcode.com/gh_mirrors/ma/Mamba-UNet