纯堆叠必死！CNN+Mamba+UNet医学影像分割必看

原创 已于 2026-04-14 14:11:22 修改 · 406 阅读 · 5 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
GEO检测
收录于
人工智能

当前文章被收录于：

人工智能
209 篇文章 13 人学习
订阅专栏 查看详情
成长学习

当前文章被收录于：

成长学习
136 篇文章 8 人学习
订阅专栏 查看详情
论文

当前文章被收录于：

论文
63 篇文章 0 人学习
订阅专栏 查看详情
于 2026-04-08 14:49:25 首次发布

CNN+Mamba+UNet 还能发论文，且 2025–2026 年持续有顶会 / 期刊录用（如 JBHI、Frontiers、BIBM、ICLR 等），但必须做扎实创新与工程优化，单纯堆砌组合很难中稿。

因篇幅有限，这里只展示部分论文解析，推荐对此方向感兴趣的同学领取完整进一步学习。

一、为什么还能发？

  • 方向火热：Mamba（SSM）兼具长程依赖与高效计算，正成为医学影像分割的主流替代方案，与 CNN+UNet 的混合架构是研究热点。
  • 已有大量成果：2025–2026 年多篇相关论文发表，涵盖 CT、超声、多器官分割等场景，验证了路线可行性。
  • 适配你的背景：你聚焦 CT 图像疾病识别，该组合在 CT 肿瘤 / 器官分割中表现突出，数据与任务高度匹配。

二、好发的关键条件

1. 必须有的创新点（任选 1–2 个深挖）
2. 不可踩的雷
  • ❌ 纯拼接：仅将 CNN、Mamba、UNet 简单堆叠，无模块设计与协同，无显著性能提升，易被拒稿。
  • ❌ 创新虚：创新点不聚焦（如同时堆多个模块），实验验证不充分，缺乏消融实验与对比基线。
  • ❌ 任务不匹配：选通用数据集（如自然图像），未结合 CT / 医学影像的临床痛点，审稿人认可度低。
3. 适合医学选题建议（CT 方向）
  1. CT 肺部肿瘤分割：双编码器融合 CNN 局部与 Mamba 全局，设计动态融合模块，提升复杂形态肿瘤 Dice 指标。
  2. CT 多器官轻量化分割：结合边界增强与轻量 Mamba 模块，降低参数量与计算量，适配临床设备。
  3. 小样本 / 弱监督 CT 分割：利用 Mamba 高效建模能力，减少标注数据依赖，提升小病灶召回率。

三、投稿建议

  • 期刊：JBHI、Medical Image Analysis、Frontiers in Computational Neuroscience、《中国医学物理学杂志》。
  • 会议：BIBM、ISBI、ICLR（2026 有相关方向）。
  • 实验要求：至少 2 个公开 CT 数据集（如 MSD 肺肿瘤、Synapse），做详尽消融实验与对比，突出效率与精度平衡。

总结

CNN+Mamba+UNet 依然是可发、好发的方向，核心在于围绕 CT 任务做深度创新与工程优化，避免堆砌。

HCMA-UNet: A Hybrid CNN-Mamba UNet with Axial Self-Attention for Efficient Breast Cancer Segmentation

内容：本文提出了HCMA-UNet，一种用于DCE-MRI乳腺肿瘤分割的混合CNN-Mamba UNet架构。由于乳腺肿瘤形态异质且边界模糊，该任务极具挑战性。HCMA-UNet采用轻量级CNN主干网络提取局部特征，并设计了一个多视角轴向自注意力Mamba模块来建模长距离依赖关系。MISM模块通过将3D体积沿三个解剖平面重新切片为2D切片，利用视觉状态空间块进行双向扫描以提取切片内特征，并结合轴向自注意力机制增强切片间特征关联，实现切片内与切片间信息的有效整合。为降低计算冗余，该模块采用非对称通道分割策略，将50%通道分配给轴面，其余两面各25%。此外，论文还提出了特征引导的区域感知损失函数，通过结合Dice损失、加权交叉熵损失以及特征一致性和边界感知损失，提升模型对正负像素相似度高的乳腺肿瘤图像的分割精度。

VM-UNET-V2: Rethinking Vision Mamba UNet for Medical Image Segmentation

内容：本文提出了一种用于医学图像分割的纯视觉状态空间模型架构，旨在解决卷积神经网络难以建模长距离依赖以及Transformer计算复杂度呈二次增长的局限性。该方法基于Mamba状态空间模型，引入视觉状态空间块来捕获广泛的上下文信息，同时采用语义与细节注入模块来增强低级特征与高级特征的融合，其中语义信息被注入低级特征，而详细信息则用于精化高级特征。VM-UNetV2遵循UNetV2的框架设计，在编码器部分使用预训练的VMamba权重，并通过消融实验确定编码器深度设置为[2,2,9,2]时分割性能较优，同时采用深度监督机制融合两层输出特征进行损失计算。该模型在多个公开的皮肤病灶和息肉分割数据集上进行了全面实验，结果表明VM-UNetV2在医学图像分割任务中具有竞争力的性能，且无需选择特别大的网络深度即可实现良好效果。

HMT-UNet: A hybird Mamba-Transformer Vision UNet for Medical Image Segmentation

内容：本文提出了，一种用于医学图像分割的混合Mamba-Transformer架构。针对CNN难以建模长距离依赖以及Transformer计算复杂度呈二次增长的问题，作者利用状态空间模型如Mamba在线性时间复杂度下建模长程交互的优势，设计了一种将Mamba和Transformer机制精心融合的混合架构。HMT-UNet采用U型编码器-解码器结构，编码器的前两层使用CNN进行快速特征提取，后两层采用MambaVision Mixer；解码器对称地包含Mamba Mixer、上采样操作、卷积模块和最终的线性层。具体而言，在阶段3和4中，给定N层网络，前N/2层使用MambaVision和MLP块，后N/2层使用Transformer和MLP块，通过将自注意力机制整合到Mamba架构的混合部分，显著提升了捕获长距离空间依赖的能力。

UNetMamba: An Efficient UNet-Like Mamba for Semantic Segmentation of High-Resolution Remote Sensing Images

内容：本文提出了一种名为UNetMamba的高效UNet-like模型，用于高分辨率遥感图像语义分割。针对现有基于Transformer的方法在准确性与效率之间存在权衡困境的问题，作者利用Mamba线性复杂度和长距离建模能力的优势，设计了一个包含ResT主干编码器、Mamba分割解码器和局部监督模块的架构。MSD通过将VMamba的视觉状态空间块转移到解码侧，实现了即插即用的功能，在显著减少参数量的同时利用全局感受野准确解码复杂语义信息。在LoveDA和ISPRS Vaihingen数据集的实验表明，UNetMamba在mIoU指标上分别较最先进方法提升0.87%和0.39%，实现了精度与效率的最优平衡，模型仅含14.76M参数、225.71MB内存占用和100.52G FLOPs计算量。

标签
#cnn #人工智能 #神经网络 #论文 #Unet
#mamba #医学影像分割
EGCM-UNet模型：融合边缘引导CNN与Mamba技术进行农田遥感影像语义分割
01-24
内容概要：本文针对农业遥感图像的高色相似性和形状不规则特点提出了一种名为EGCM-UNet（Edge Guided Hybrid CNN-Mamba UNet）的新颖语义分割网络。该方法通过引入面向残差卷积边缘分支(ORCEB)，能够有效地提取原始边缘信息，配合由视觉状态空间(VSS)模块驱动的主干网MaUNet，以及融合边缘信息的边缘引导语义聚合模块(EGSAM)，提高了农业用地识别性能，特别是在复杂环境下保持了更高的精度和可靠性，实现了更细致的特征捕捉能力。 适合人群：研究农业遥感图像处理、计算机视觉及深度学习技术的专业人士和技术爱好者。 使用场景及目标：应用于农业精准管理、农作物监测等领域，为提高作物产量提供技术支持。具体目的是提升对大面积农田区域边界的精确划分效率。 其他说明：通过对现有先进模型如U-Net等多种基线进行实验对比，在AgriculturalField-Seg数据集上验证了提出的模型优于基准模型的性能。
掌握顶会流量密码！“Mamba+CNN”双热点组合！轻松找到创新点！
m0_73122726的博客
09-20 1755
LKM-UNet特别针对2D和3D医疗图像分割任务设计，通过在大规模状态空间模型（SSM）中引入大型核，显著提高了模型的感受野，从而能够捕获更丰富的全局和局部特征信息。U-Mamba结合了卷积神经网络（CNN）和状态空间序列模型（SSM）的优势，构建了一个混合架构，能够高效地捕获图像的局部精细特征和长距离上下文信息。LKM-UNet采用大型核Mamba块（LM块），通过分配大型窗口（或核）给SSM层，实现了大的感受野，从而增强了模型的空间建模能力。本文提出了一种新的医疗图像分割模型——
CNN+Mamba+UNet，经典组合轻松发文，没有头绪的可以看这篇！
学姐带你玩AI的博客
11-20 655
医学图像分割领域有个很有前景的研究方向：CNN+Mamba+UNet。这组合通过优势互补，在学术上实现了基础模型创新的突破，在工业上也完美兼顾高精度与高效率。这让它受到了顶会顶刊的持续关注，从发文角度来看，无疑是个好选择。另外，值得一提的是，部分顶刊对于混合架构的研究是有稳定需求的，因此，如果对这方向有想法，可以先从架构创新这个最核心的突破口尝试，比如设计新的分支交互机制。熟悉了也可以试试在技术策略上找思路。
CVPR25爆款！CNN+UNet！9种创新思路拿去，accept飙升！
Aimoxin111的博客
03-21 1159
例如，对于一个大小为 4×4 的特征图，使用 2×2 的最大池化操作后，特征图的大小会变为 2×2，但保留了特征图中最重要的特征。多架构融合：提出了一个弱监督学习（WSL）框架，集成了基于CNN的UNet、基于Swin Transformer的SwinUNet和基于VMamba的Mamba-UNet三种不同架构，以实现详细的局部特征提取、全面的全局上下文理解和高效的长距离依赖关系建模。全连接层是 CNN 的最后几层，它将前面卷积层和池化层提取的特征进行整合，输出最终的分类结果或回归值。
高分创新点！Mamba+CNN结合，发顶会首选！
m0_73122726的博客
09-30 937
研究摘要 近期视觉领域涌现CNN与Mamba的融合架构，通过双分支设计互补优势。ConvMamba结合CNN的局部特征提取与Mamba的全局建模能力，在ImageNet分类任务中实现90.2%准确率，推理速度提升1.8倍。医学图像方向，PGM-UNet引入提示引导残差Mamba模块，结合多尺度空洞卷积与KANs，显著提升分割精度；遥感领域CM-UNet通过CSMamba块与多尺度注意力聚合模块，有效捕捉长距离依赖。这些工作表明，跨模态轻量化融合与注意力优化是未来重要方向。
从idea到顶刊：Mamba+CNN的10个创新研究方向！
Malaai的博客
05-07 1256
在AI图像领域，Mamba与CNN的结合成为研究热点，源于二者优势互补的需求。CNN擅长提取局部特征，但在处理长距离依赖和全局信息时存在局限。而Mamba基于状态空间模型，具有强大的长程依赖建模能力，已在NLP领域表现优异。将二者结合，既能保留CNN优秀的局部特征提取能力，又能利用Mamba捕捉全局上下文信息，有望提升图像任务的性能。这种融合方案正吸引越来越多研究者探索，以突破传统CNN在感受野和全局建模方面的限制。为此，
无痛涨点！CNN+UNet横扫一区！速来抄作业！
Aimoxin111的博客
01-14 954
AI科研灵感致力于成为您在人工智能领域的领航者，定期更新人工智能领域的重大新闻与最新动态，和您一起探索AI的无限可能。立即关注我们，开启您的AI学习之旅！
深度学习领域潜力方向：CNN、Mamba与UNet融合架构
2501_93701069的博客
10-13 697
从模块设计入手确实是个好思路，当前Mamba Block的变种众多，如Linear Mamba、Bidirectional Mamba、Hierarchical Mamba等。这种融合架构确实实力强劲，CNN的卷积操作能有效提取空间特征，Mamba的状态空间模型可处理全局依赖关系，UNet的跳跃连接则确保细节恢复。最新的UMamba与SegMamba已在多个数据集上取得优异成绩，特别是在ACDC心脏分割任务中，Dice系数高达91.8%，超越了经典的nnU-Net。3.建议探索的几个方向。
空间-频率增强Mamba用于多模态图像融合
最新发布
AI浩
12-21 2133
如图2所示，我们提出的SFMFusion包含三个分支：两个IR分支和一个MMIF分支。在IR分支中，以可见光图像为例，输入VVV首先被送入两个3×33\times33×3卷积层以生成初始特征V0V_{0}V0​。随后，它经过多个SFMGs。VmSFMGmSFMGm−1⋯SFMG1V0Vm​SFMGm​SFMGm−1​⋯SFMG1​V0​)))其中mmm是SFMGs的数量，VmV_{m}V。
CNN+Mamba+UNet，“三巨头” 合体！
学姐带你玩AI的博客
02-11 2192
一方面，这种组合融合了CNN的局部特征提取能力、Mamba的全局建模能力和UNet的结构特点，实现更全面的特征理解；另一方面，这一架构凭借高效建模能力与多模态适应性，已成为遥感、医学、视频分析等领域的创新标杆，相关研究在CVPR、AAAI等顶会中占比飙升，堪称发Paper的“黄金配方”！可见，各大顶会对这类融合模型接受度还是很高的，如果大家感兴趣，我建议就从模块设计或跨领域应用切入，结合开源代码快速验证。我这边整理好了可用作参考，代码也有，需要的同学速领。全部论文+开源代码需要的同学看文末。
顶会idea：Mamba+CNN强力涨点新突破！
2501_91695603的博客
09-03 473
我们对包括器官分割和皮肤病变在内的分割任务进行了全面的实验，并对 Synapse、ISIC17 和 ISIC18 进行了广泛的实验，以证明 HC-Mamba 模型在医学图像分割中的潜力。结果证明了其优越的性能，并通过消融研究验证了每个模型组件的意义。首次把空洞卷积和深度可分离卷积直接塞进 Mamba 的 SSM 模块，做成一个双分支的轻量化“HC-SSM Block”，用 13 M 参数就拿到比之前 25–30 M 的 Mamba-UNet 更高的精度，真正做到了“看得远、算得快、省得多”。
CM-UNet: Hybrid CNN-Mamba UNet for Remote Sensing Image Semantic Segmentation
qq_44750091的博客
07-02 5349
在本文中，我们提出了 CM-UNet，包括用于提取局部图像特征的基于 CNN 的编码器和用于聚合和集成全局信息的基于 Mamba 的解码器，促进遥感图像的高效语义分割。具体来说，引入 CSMamba 块来构建核心分割解码器，该解码器采用通道和空间注意力作为 vanilla Mamba 的门激活条件，以增强特征交互和全局局部信息融合。，以及从左下角到右上角。我们的 CM-UNet 框架如图 2 (a) 所示，包含三个核心组件：基于 CNN 的编码器、MSAA 模块和基于 CSMamba 的解码器。
mask-r-cnn，unet，unet++三种算法实现细胞分割的对比心得
qq_34616741的博客
06-20 2万+
maks-r-cnn在小数据集中性能较差。120训练集，40测试集（256乘以256）的数据集上面测试，效果很差 只能勉强分清个轮廓，很多细胞都没有被识别到。mask-r-cnn的分割能力有待在更大的数据集上面进行测试。 unet的分割能力是出奇的强，在很小的训练集上面都有很不错的表现（35乘以512乘以512） 轮廓比较明显，挨得很近的细胞也能分出大概的轮廓 unet++的分割能力会比une...
Pytorch实战系列（一）——CNN之UNet代码解析
JeasunLok的博客
10-14 1万+
UNet网络结构及其编码详解
UNET-一种卷积神经网络（CNN）架构
qq_40844444的博客
11-18 3436
在实际应用中，UNET的结构会更复杂，包含更多的卷积层和特征合并步骤。此外，为了进行训练，还需要定义损失函数和优化器，并编写训练循环。UNET的工作原理基于编码器（下采样）和解码器（上采样）的结构。解码器则通过转置卷积层（或上采样）逐步恢复图像尺寸，并合并来自编码器的特征，以生成最终的分割图像。它采用了一种独特的“U”形结构，使得网络能够精确地定位图像中的目标对象，并对其进行分割。UNET广泛应用于生物医学图像分割，例如细胞、组织、器官的分割，以及在自动驾驶中的道路和车辆检测。
个人总结，CNN-＞FCN-＞UNET-＞UNET++等一系列经典网络框架的汇总
zy的博客
02-06 668
个人总结，CNN->FCN->UNET->UNET++等一系列经典网络框架的汇总
图像分割——U-net
lkj8964的博客
01-11 1681
《U-Net: Convolutional Networks for Biomedical Image Segmentation》论文阅读之UNet 1.论文地址：http://www.arxiv.org/pdf/1505.04597.pdf 2.在介绍unet之前 传统的图像分割方法大部分是基于图像本身的特征提取，需要在图像上生成不同的区域，再在区域上提取特征，对区域进行分类合并才能得到最终图像...
【Unet系列】（一）图像分割
lingchen1906的博客
10-17 1134
unet学习基础
【Unet系列】Unet & Unet++
热门推荐
OneCoder的博客
11-27 8万+
文章目录U-net概述细节部分1、结构的解析2、一些小点resultUnet++概述细节部分resultsummary U-net U-Net是一篇基本结构非常好的论文，主要是针对生物医学图片的分割，而且，在今后的许多对医学图像的分割网络中，很大一部分会采取U-Net作为网络的主干。 概述 博客都将用一个概述对论文进行一个很简介的概述： 解决什么问题？ 医学图像的分割 使用的方法？ 继...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值