面向多模态心脏影像的多分支协同分割模型.pdfVIP

ISSN1004⁃9037，CODENSCYCE4http：//sjcj.nuaa.edu.cn

JournalofDataAcquisitionandProcessingVol.40，No.4，Jul.2025，pp.887-900E⁃mail：sjcjnuaa.edu.cn

DOI：10.16337/j.1004⁃9037.2025.04.004Tel/Fax：+86⁃025

面向多模态心脏影像的多分支协同分割模型

肖瑞，邵伟

（南京航空航天大学人工智能学院，南京211106）

摘要：精确的心脏结构分割对于心脏血管疾病辅助诊断和术前的准确评估有着重要的意义。不同模

态的影像之间在空间分布和语义表达上存在显著差异，但现有方法多采用单分支网络结构，难以充分

融合多模态信息，在多模态任务上缺乏泛化能力。针对这一问题，提出一种融合状态空间模型Mamba

与卷积模型的多分支协同分割网络MCNet（Multi⁃modalcollaborativenetwork）。该网络主要由3个模

块构成：基于Mamba与卷积神经网络的双分支特征提取器、动态特征融合模块以及Mamba解码器。特

征提取器的双分支分别侧重于提取全局语义与局部细节特征，动态特征融合模块根据图像动态调整多

种融合路径的权重，从而实现不同分支的动态特征整合。本文提出的方法在心脏的MRI数据集ACDC

与超声数据集CAMUS上进行了充分实验。实验结果表明，本文方法通过基于混合专家（Mixtureof

experts，MoE）机制的动态特征融合模块，动态调整Mamba全局特征和CNN局部特征的融合权重，在

边界清晰的ACDC数据集中，平均Dice和交并比IoU分别达到0.845和0.779，在边界模糊的CAMUS

数据集中的平均Dice和IoU分别达到0.883和0.796，均优于目前主流方法。同时，消融实验进一步验

证了每个模块的有效性。MCNet通过MoE机制实时调整全局和局部特征的融合权重，在保证全局感

知的同时提升了结构细节完整性，为多模态心脏影像分割提供了高效而鲁棒的解决方案。

关键词：医学影像分割；多模态医疗影像；心脏结构分割；Mamba；动态特征融合；多分支协同分割

中图分类号：TP18;R445文献标志码：A

Multi‑branchCollaborativeSegmentationModelforMulti‑modalCardiacImaging

XIAORui，SHAOWei

(CollegeofArtificialIntelligence,NanjingUniversityofAeronauticsAstronautics,Nanjing211106,China)

Abstract：Precisestructuralsegmentationoftheheartisimportantfortheadjunctivediagnosisof

cardiovasculardiseaseandaccuratepreoperativeevaluation.Therearesignificantdifferencesbetween

imagesofdifferentmodalitiesintermsofspatialdistributionandsemanticexpression，butexistingmethods

mostlyusesingle-branchnetworkstructures，whichareunabletofullyintegratemulti-modalinformation

andlackgeneralizationcapabilitiesinmulti-modaltasks.Toaddressthisproblem，thispaperproposesa

mul