论文标题：EM-Net: Efficient Channel and Frequency Learning with Mamba for 3D Medical Image Segmentation

论文原文 (Paper)：https://arxiv.org/abs/2409.17675
代码 (code)：https://github.com/zang0902/EM-Net

---

GitHub 仓库链接（包含论文解读及即插即用代码）：https://github.com/AITricks/AITricks
哔哩哔哩视频讲解：https://space.bilibili.com/57394501?spm_id_from=333.337.0.0

1. 核心思想

本文提出了一种名为 EM-Net 的新型 3D 医学图像分割框架，旨在解决传统 CNN 感受野受限和 Transformer 计算开销过大的问题。核心思路是将 Mamba (状态空间模型) 引入分割任务，并设计了两个关键模块：CSRM 模块（通道挤压-增强 Mamba）通过通道选择机制来捕捉区域间的注意力交互；EFL 层（高效频域学习）利用 FFT 在频域中协调多尺度特征的学习。EM-Net 在保持 SOTA 分割精度的同时，将参数量减少了近一半，并将训练速度提升了 2 倍。

---

2. 背景与动机

背景：3D 分割的效率瓶颈

在 3D 医学图像分割中，主流方法主要分为两类：

1. CNNs (如 nnU-Net)：擅长提取层级特征，但受限于局部感受野，难以捕捉长程依赖。
2. Transformers (如 Swin UNETR)：通过自注意力机制擅长捕捉全局关系，但其二次复杂度在处理高分辨率 3D 体数据时显存和计算压力巨大。

虽然 Mamba (SSM) 凭借线性复杂度在序列建模上表现出色，但直接将其应用于 3D 视觉任务仍面临空间关系建模困难（Mamba 是 1D 序列模型）和显存消耗的挑战。

动机图解分析

看图说话：

• 现有局限性：传统的 Encoder-Decoder 结构（如 U-Net）在深层特征提取上往往依赖堆叠卷积或 Transformer Block。这导致了要么感受野不足（CNN），要么计算太重（Transformer）。
• 本文的破局点：观察架构图，EM-Net 的核心在于其 Encoder 和 Decoder 并未沿用标准组件，而是替换为 CSRM Block 和 CSRM-F Block。
  • CSRM Block (浅层/解码器)：针对 Mamba 难以捕捉空间信息的弱点，作者并没有单纯依赖位置编码，而是通过通道维度（Channel Dimension）的挤压与增强来辅助 Mamba 聚焦特定区域。
  • CSRM-F Block (深层)：针对分割任务对全局（低频）和局部（高频）信息平衡的需求，作者引入了频域学习（Spectral Gating），利用 FFT 的对数线性复杂度来降低深层特征的计算负担。

---

3. 主要创新点

1. CSRM 模块 (Channel Squeeze-Reinforce Mamba)：提出了一种双分支结构（Squeeze & Reinforce），通过压缩和扩展通道维度来过滤冗余特征，并利用共享权重的 Mamba 模块自适应校准被忽略的特征，有效增强了 Mamba 的空间感知能力。
2. EFL 层 (Efficient Frequency-domain Learning)：设计了一个基于 FFT 的频域学习层，通过可学习的频域权重（Gating）来动态平衡全局轮廓和局部纹理特征，同时保持极低的计算复杂度。
3. Mamba-Infused Decoder：打破了仅在 Encoder 使用高级模块的惯例，在 Decoder 中也集成了 CSRM 模块。实验证明，相比简单的上采样卷积，这种设计能更好地恢复空间细节且不显著增加计算负担。
4. 高效性 (Efficiency)：在 Synapse 和 BTCV 数据集上，EM-Net 以仅约 39M 的参数量（SOTA 模型的一半）和 10.68 Iter/s 的训练速度（SOTA 的 2 倍），达到了最优的 DSC 精度。

---

4. 方法细节

整体网络架构

EM-Net 采用了经典的 U-Shaped 架构：

• 输入 (Input)：3D 图像切块。
• Encoder (编码器)：
  • STEM：使用 4x4x4 的卷积进行下采样，获得 1/4 分辨率特征。
  • Stage 1 & 2：堆叠 CSRM Blocks，负责提取高分辨率下的空间细节特征。
  • Stage 3 & 4：堆叠 CSRM-F Blocks（包含 EFL 层），负责在低分辨率下高效提取全局语义特征。
• Bottleneck：深层特征融合。
• Decoder (解码器)：包含 4 个阶段。每个阶段先通过反卷积进行 2 倍上采样，然后接入 CSRM Block 进行特征恢复与整合（不同于常见的纯卷积解码器）。
• Skip Connections：编码器与解码器特征通过加法或拼接融合。
• 输出 (Output)：最终通过卷积块输出分割掩码。

核心创新模块详解

1. CSR Mamba Layer (模块 A)
该模块旨在解决 Mamba 空间建模弱的问题，利用通道注意力机制。

• 输入流：特征分为两个分支。
• Squeeze Branch (压缩分支)：通过 Down -> Up 操作压缩通道维度，筛选关键特征，然后输入 Mamba。
• Reinforce Branch (增强分支)：直接将原始特征输入 Mamba，用于保留被压缩分支忽略的信息。
• 共享 Mamba：两个分支共享同一个 Mamba 模块的权重，减少参数量。
• 融合：两个分支的输出通过可学习参数进行加权求和。
• 设计目的：利用通道维度的压缩与恢复，强迫 Mamba 关注对分割任务更重要的特定区域特征。

2. EFL Layer (模块 B)
该模块利用频域特性进行高效的全局/局部特征平衡。

• FFT 变换：将空间域特征通过 3D FFT 变换到频域。
• Spectral Gating (频谱门控)：将频域特征与一个可学习的权重图（Parameter Map）进行逐元素相乘。这相当于一个自适应滤波器，网络自动学习保留哪些频率分量。
• IFFT 逆变换：将滤波后的特征变换回空间域。
• 设计目的：利用 FFT 的全局感受野特性（频域中的一点对应空域的全局）来捕获长程依赖，同时复杂度远低于 Transformer 的自注意力。

理念与机制总结

EM-Net 的核心理念是 “扬长避短”。

• 利用 Mamba 的线性复杂度处理长序列，但通过 CSRM 的通道交互机制弥补其空间感知能力的不足。
• 利用 Transformer 的全局观念，但通过 EFL（频域操作）替代昂贵的 Self-Attention，实现“低成本的全局视野”。
  这种组合使得模型既能“看得全”（Global），又能“算得快”（Efficient）。

---

5. 即插即用模块的作用

本论文提出的模块具有很强的通用性，适用于以下场景：

1. CSRM Block (通道挤压-增强 Mamba)：

   • 适用场景：适用于任何需要特征选择或轻量化注意力的 3D 视觉任务（如 3D 检测、配准）。
   • 应用：可以替换现有 U-Net 架构中的标准卷积块或 SE-Block，特别是在显存受限但需要提升空间敏感度的场景下。

2. EFL Layer (高效频域学习)：

   • 适用场景：适用于需要捕捉全局上下文但计算资源有限的任务。
   • 应用：可以作为 Transformer Block 的替代品，插入到 CNN 的深层（Bottleneck）位置，用于以极低的计算成本引入全局感受野，解决 CNN 感受野不足的问题。

---

6. 实验分析

• 数据集：Synapse (腹部多器官) 和 BTCV (多器官 CT)。
• 性能对比：
  • 在 Synapse 数据集上，EM-Net 的平均 DSC 达到 83.95%，优于 U-Mamba (82.83%) 和 Swin UNETR (83.06%)。
  • 在 BTCV 数据集上，EM-Net 取得了 78.97% 的 DSC，显著优于 nn-UNet (76.31%)。
• 效率分析：
  • 参数量：EM-Net 仅有 39.41M 参数，而 Swin UNETR 为 62.19M，U-Mamba 为 58.47M。
  • 训练速度：训练速度达到 10.68 Iter/s，是 U-Mamba (8.14 Iter/s) 的 1.3 倍，是 Swin UNETR (4.94 Iter/s) 的 2 倍以上。
• 可视化：定性结果显示，对于胃 (Stomach) 等低对比度器官和胰腺 (Pancreas) 等小器官，EM-Net 的分割边界更贴合 Ground Truth。
  在这里插入图片描述
  
  
  到此，所有的内容就基本讲完了。如果觉得这篇文章对你有用，记得点赞、收藏并分享给你的小伙伴们哦😄。

7. 获取即插即用代码关注 【AI即插即用】