SegResMamba-Lite
脑肿瘤分割轻量级 Mamba 模型 · MoA 框架演进
基于 Mamba 架构的脑肿瘤分割模型集合（V1–V12），MoA（Mixture of Attention）框架完整设计演进。最终模型 V10 以 1.42M 参数实现病灶级 LW Dice 0.8304（全系列最高），全局 HD95 优于全部基线。
{
"id": "segresmamba-lite",
"title": "SegResMamba-Lite",
"type": "AI/ML",
"year": "2026",
"status": "active",
"category": "AI/科研",
"tech": ["PyTorch", "BiMamba", "MoA (Mixture of Attention)", "BraTS", "CUDA", "Docker"],
"github": "https://github.com/Zviolin/SegResMamba-Lite"
}项目概述
基于 Mamba 架构的脑肿瘤分割模型集合（V1–V12），MoA（Mixture of Attention）框架完整设计演进。最终模型 V10 以 1.42M 参数实现病灶级 LW Dice 0.8304（全系列最高），全局 HD95 优于全部基线。
核心特性
脑肿瘤分割 — 面向 BraTS 脑肿瘤分割任务，188 例测试集、官方 374mm 满罚口径评估，全系列 12 个版本可复现
MoA 框架三代演进 — Soft MoA（异构专家软路由）→ Sigmoid α 自动学习 → 论文级 token 级稀疏 MoA（共享 K/V）
极致轻量 — 全系列参数量 < 1.5M，最终模型 V10 仅 1.42M，约为官方 SegMamba 基线（66.90M）的 1/47
精度领先 — V10 病灶级 LW Dice 0.8304 全系列最高，全局 HD95 均值 7.90mm 优于全部基线
完整证据链 — V1–V12 实验记录总集、4 类基线（SegMamba/SegResNet/VMUNet/VSSUNet）对比、统计检验与效率基准
多分支工程化 — experiments 分支完整训练/评估流水线，webapp（前后端 Docker）与 Android App 分支持续规划
技术架构
性能指标
项目结构
SegResMamba-Lite（分支化管理）
├── main 分支 # 项目门面（README）
├── experiments 分支 # V1–V12 全部模型源码
│ ├── models/ # v1.py ~ v12.py
│ ├── pipeline/ # train.py + evaluate.py
│ ├── frame/ # trainer 训练框架
│ ├── 实验记录总集.md / 论文实验章节.md
│ └── scripts/ # 统计检验 / 效率基准 / 路由可视化
├── 基线对比 # SegMamba-Official / SegResNet / VMUNet / VSSUNet
├── webapp 分支 # 前后端 Docker 网页项目（规划中）
└── App 分支 # Kotlin Android App（规划中）详细说明
项目概述
SegResMamba-Lite 是基于 Mamba 架构的脑肿瘤分割模型集合（V1–V12），围绕 MoA（Mixture of Attention）框架完成了从软路由混合专家到 token 级稀疏注意力的完整设计演进。所有模型参数量均控制在 1.5M 以内，最终模型 V10 以 1.42M 参数在 BraTS 脑肿瘤分割任务上取得病灶级 LW Dice 0.8304（全系列最高）、全局 HD95 7.90mm（优于全部基线）的成绩。
本项目为第 32 期大学生创新训练计划（SRTP）国家级自选型立项项目（立项推荐国家级）——《面向医疗的 SegResNet-Mamba 轻量化脑肿瘤分割方法研究与移动应用原型》的核心研究载体，本人担任项目负责人。
个人职责
作为项目负责人，独立承担从选题、设计到结题的全流程工作：
- 方案设计：提出 MoA（Mixture of Attention）框架，主导 V1 → V10 十二个版本的架构演进路线
- 工程实现：搭建完整训练 / 评估流水线（train.py / evaluate.py + shared 共享库），分支化管理 experiments / webapp / App
- 实验验证：复现 SegMamba / SegResNet / VMUNet / VSSUNet 四类基线，完成统计检验、效率基准与专家路由可视化
- 成果沉淀：撰写实验记录总集与论文实验章节，形成 V1–V12 全版本可复现的完整证据链
版本演进（V1 → V10）
| 版本 | 关键创新 | 参数量 | 全局 Dice | HD95 |
|---|---|---|---|---|
| V1 | 双向 Mamba + 跳跃连接 | 1.52M | 0.8886 | 9.96 |
| V2 | 多尺度 BiMamba（3 尺度） | 1.42M | 0.8885 | 8.56 |
| V6 | Soft MoA（4 异构专家 + 样本级软路由） | 1.46M | 0.8904 | 8.87 |
| V7 | MoA + DConv 专家 + Sigmoid α 自动学习 | 1.50M | 0.8912 | 9.12 |
| V9 | 真 MoE（Top-K=2 稀疏 + 负载均衡） | 1.42M | 0.8893 | 7.34 |
| V10 | 论文级 token 级稀疏 MoA（共享 K/V + Attention 专家） | 1.42M | 0.8878 | 7.90 |
评估口径：官方 374mm 满罚、188 例测试集；V10 为最终模型，病灶级核心主张 LW Dice 0.8304 全系列最高。
核心创新
- MoA（Mixture of Attention）框架：将 MoE 思想引入注意力，4 个异构专家（Attention / DConv）混合，经三代演进（软路由 → α 自动学习 → token 级稀疏共享 K/V）
- 极致轻量化：对比官方 SegMamba（66.90M）压缩约 47 倍参数量，同时保持并超越分割精度
- 完整实验证据链：V1–V12 全版本记录、4 类基线复现（含 SWA + 深监督增强版）、统计检验、效率基准与专家路由可视化
快速开始（experiments 分支）
# 训练最终模型 V10
python SegResMamba-Lite/pipeline/train.py --version v10 --init_filters 20 --epochs 100 --batch 6 --workers 8 --resolution 2.0 --device cuda --cache
# 评估（生成全局 + lesion-wise 逐例 CSV）
python SegResMamba-Lite/pipeline/evaluate.py --version v10 --init_filters 20 --resolution 2.0 --device cuda --cache --workers 8