基于视觉选择性状态空间模型与空间约束的皮肤病灶分割新方法

为解决皮肤病灶分割中全局依赖捕获不足和计算复杂度高的问题，研究人员提出了一种基于残差状态空间模块(SSR-UNet)的新型U型架构，结合空间约束损失函数，在ISIC2017和ISIC2018数据集上mIoU达80.98%和82.17%，显著提升分割精度与计算效率，为皮肤病智能诊断提供新工具。

　　

皮肤疾病的精准诊断一直是临床医学的挑战，尤其是黑色素瘤等致命性皮肤癌，早期诊断对患者预后至关重要。然而，传统诊断方法依赖医生经验，主观性强，准确率仅75%-84%。现有深度学习模型如CNN存在长程依赖捕捉不足，而Transformer虽性能优越但计算复杂度高。针对这些痛点，西南民族大学的研究团队在《Scientific Reports》发表创新研究，提出基于选择性状态空间模型(SSR-UNet)的皮肤病灶分割方法。

研究采用三项核心技术：1) 构建残差状态空间模块(RSS Block)，整合双向扫描的SS2D框架与残差连接，平衡全局/局部特征提取；2) 设计空间约束损失函数，通过边界距离计算缓解梯度异常；3) 在ISIC2017/2018数据集上验证，采用黑帽运算预处理去除毛发干扰。

模型架构

对称U型结构包含编码器-解码器，底层增设双RSS模块增强特征提取。编码器通过Patch Embedding层将256×256图像分块，经三阶段下采样（含2-3个RSS模块），解码器对称上采样恢复分辨率。

RSS模块设计

核心SS2D模块通过四向扫描（图2）捕获空间动态特征，结合残差连接保留细节。相比传统CNN，参数量仅3.43M，计算量13.18GFLOPs，显著优于TransUNet(26.33M/38.52GFLOPs)。

空间约束损失

融合交叉熵、Dice损失与空间约束项（权重w_e=0.01），通过边界距离梯度修正预测偏差。消融实验显示该设计使ISIC2018数据集loss从0.2705降至0.2085，mIoU提升至82.17%。

性能对比

在ISIC2017上，mIoU(80.98%)、Acc(96.50%)、Spec(98.04%)均超越最优基线0.83-1.01%；ISIC2018数据集Dice系数达90.21%，较次优模型提升0.27%。图5-6显示其边界预测更贴近真实病灶，尤其对低对比度区域鲁棒性显著。

该研究突破性地将状态空间模型应用于医学图像分割，通过动态选择性扫描机制实现线性复杂度下的长程建模，同时创新性地通过空间约束解决梯度异常问题。临床意义在于：1) 为资源受限设备提供高效分割方案；2) 提升皮肤病筛查一致性，弥补专家诊断差异；3) 为多器官分割任务提供迁移可能。未来可通过动态损失权重调整进一步优化，并扩展至腹部器官等多分类场景。