FSE-Mamba: 频率-空间纠缠 Mamba 模型用于视网膜血管分割

作者与机构

- 作者：Xutao Sun, Junwen Liu, Xiaolu Xu, Jingyi Zhou, Yonggong Ren（通讯作者：ryg@lnnu.edu.cn）

- 机构：辽宁师范大学计算机与人工智能学院，中国辽宁大连

- 期刊：Computers in Biology and Medicine, 卷196, 2025年, 文章编号110776

- 关键词：视网膜血管分割、视觉状态空间模型、频率学习

- 代码：https://github.com/MrxutaoSun/FSE-Mamba

摘要

视网膜血管像素级分割在临床和研究中面临挑战。Mamba 方法虽有全局感受野和线性复杂度，但因果约束导致方向偏置，且忽略频率-空间协同学习。本文提出 FSE-Mamba，包括 FSCM（解决方向约束并增强频率引导）、MSFPM（多尺度频率感知降低像素相似性）和 DSEA（双域纠缠注意力融合特征）。在 DRIVE、CHASE_DB1、STARE 和 FIVES 数据集上，FSE-Mamba 优于现有方法。

引言

视网膜血管分割对糖尿病视网膜病变等疾病诊断关键，但结构复杂、低对比度挑战大。U-Net 受限于局部感受野，ViT 计算复杂。Mamba 提供线性复杂度，但因果扫描限全局依赖，且单一空间域易受干扰。本文引入频率域，提出 FSCM、MSFPM 和 DSEA 模块，首次整合频率信息的 Mamba 模型，提升血管辨识。

相关工作

视网膜血管分割

U-Net 及其变体（如双编码器）主导，但 CNN 限长距离依赖。ViT 变体（如 SGAT-Net、TP-Net、GKE-TUNet）整合注意力或拓扑信息改善。

Mamba 在医疗图像分割

U-Mamba、VM-UNet 等结合 SSM 提升长距离依赖，但因果机制限全局理解。本文 FSCM 和 MSFPM 解决这些。

频率学习

频率域增强特征表示（如 FCANet、GFNet）。XNet、SFFNet 和 FAM-Net 分解高低频，但忽略频带依赖。本文 FDGA 和 MSFPM 提升跨频建模，DSEA 融合双域。

方法

框架架构

FSE-Mamba 为 U-Net 式：FSCM 提取分层特征，MSFPM 精炼频率，DSEA 融合双域，经解码器输出预测。

FSE-Mamba 为 U-Net 式：FSCM 提取分层特征，MSFPM 精炼频率，DSEA 融合双域，经解码器输出预测。

相关模块

1. FSCM

并行分支：一分支用 MSAA（多尺度轴向注意力）和 FDGA（频率引导注意力）替换卷积，解决因果约束；二分支线性增强。公式包括 FFT/IFFT 和注意力计算。

2. MSFPM

多尺度卷积 + FFT + 三重池化捕捉频带依赖。

3. DSEA

双 DRA 单元交换输入，交叉域逆注意力抑制冗余。

实验

数据集

DRIVE (40 图)、CHASE_DB1 (28 图)、STARE (20 图)、FIVES (800 图)。增强包括翻转、旋转。

实现细节

PyTorch 2.1.1，RTX 4090，批次 8，Adam 优化，学习率 0.0001，100 迭代。

与 SOTA 比较

在 DRIVE 等数据集上，F1、ACC 等优于 U-Net、ViT 和 Mamba 变体。统计 t-检验确认显著性。参数 36M，推理 0.015s/图。

不同疾病比较

在 FIVES 上，AMD/DR/GC/正常眼均优，平衡 SE/SP。

消融研究

验证 FSCM、MSFPM、DSEA 有效；并行优于串行；默认序列最佳；VMamba 解码器优。

结论

FSE-Mamba 通过双域整合提升分割精度。未来优化动态轴权和轻量变体。