PolyMamba架构：医学影像边缘分割的频域优化方案

1. 项目背景与核心挑战

在医学影像分析领域，边缘信息的保留一直是个棘手问题。去年参加MICCAI会议时，我注意到一个有趣现象：许多基于Mamba架构的模型在病灶分割任务中表现出色，但在处理高频边缘细节时却频频失手。这就像用钝刀切西红柿——整体形状能保持，但汁水（高频信息）全流失了。

问题的根源在于传统Mamba架构的频域特性。通过傅里叶分析我们发现，其门控机制本质上相当于一个低通滤波器，对30Hz以上的高频信号衰减达到-12dB。这在处理CT影像中的血管分叉或MRI上的皮质褶皱时尤为致命——这些关键解剖结构的边缘信息往往集中在40-60Hz频段。

2. PolyMamba架构设计精要

2.1 双高斯频域调制模块

我们提出的解决方案是在SSM（State Space Model）层前插入可学习的频域滤波器组。具体实现上：

python复制class DualGaussianFilter(nn.Module):
    def __init__(self, hidden_dim):
        super().__init__()
        # 初始化高斯参数（均值与方差）
        self.mu_low = nn.Parameter(torch.randn(hidden_dim) * 0.02)
        self.sigma_low = nn.Parameter(torch.ones(hidden_dim) * 0.3)
        self.mu_high = nn.Parameter(torch.randn(hidden_dim) * 0.02 + 1.0)
        self.sigma_high = nn.Parameter(torch.ones(hidden_dim) * 0.2)
        
    def forward(self, x_freq):
        # x_freq: [B, D, H, W] 频域特征
        freq = torch.fft.fftfreq(x_freq.size(-1)).to(x_freq.device)
        # 双高斯滤波核
        filter_low = torch.exp(-0.5 * ((freq