PolyMamba架构：医学影像分割中的频域边缘保护技术

1. 项目背景与核心问题

在医学影像分析领域，边缘信息的保留一直是个棘手问题。去年我们团队在实验Mamba架构处理CT图像分割时，发现一个令人头疼的现象：模型在处理细小血管和器官边界时，高频边缘细节就像被"吃掉"了一样模糊不清。这直接影响了肝脏肿瘤分割的精度——在MICCAI2024的评测集上，我们的Dice系数比预期低了近8个百分点。

经过三个月的问题追踪，终于定位到关键矛盾：传统Mamba结构中的状态空间模型（SSM）本质上是个低通滤波器，它在建模长距离依赖时，会无差别地平滑掉高频信号。而医学影像中恰恰是这些高频成分承载着病灶边界、微小钙化点等关键诊断信息。

2. PolyMamba架构设计精要

2.1 频域双高斯滤波机制

我们提出的PolyMamba核心创新在于频域处理模块。如图1所示，输入特征首先经过快速傅里叶变换(FFT)分解到频域，然后并行通过两个高斯滤波器：

python复制class DualGaussianFilter(nn.Module):
    def __init__(self, img_size=256):
        super().__init__()
        # 高频滤波器 (σ=5)
        self.high_pass = self._create_gaussian_kernel(img_size, sigma=5)
        # 低频滤波器 (σ=50) 
        self.low_pass = self._create_gaussian_kernel(img_size, sigma=50)
        
    def forward(self, x_freq):
        x_high = x_freq * self.high_pass
        x_low = x_freq * self.low_pass
        return torch.cat([x_high, x_low], dim=1)

这种设计带来三个关键优势：

1. 高频通路(σ=5)专门保护0.1-0.4π rad/sample的高频成分
2. 低频通路(σ=50)维持原始Mamba的长程建模能力
3. 双路特征在空间域重组时会产生边缘增强效应