突破多模态图像翻译难题：ABS-Mamba借SAM2、CNN、Mamba及LoRA+微调创佳绩 ！

主要观点总结

本文介绍了一种名为ABS-Mamba的新型医学图像翻译框架，该框架融合了SAM2视觉基础模型的全局解剖学先验知识与Mamba的状态空间建模效率。通过结合SAM2-Hiera解剖学先验知识保留与基于CNN的局部特征提取，实现了精确的医学图像翻译。

关键观点总结

关键观点1: 架构创新

ABS-Mamba通过三个关键组件实现架构创新：结合SAM2-Hiera解剖学先验知识保留与基于CNN的局部特征提取的双流编码器、螺旋扫描的双向Mamba模块实现多尺度上下文依赖的线性复杂度建模、具有不确定性感知融合的层级Shortcut用于精确的高频细节重建。

关键观点2: 实验验证

ABS-Mamba在多中心脑部和盆腔数据集上的实验验证表明，其在合成高质量目标图像时具有精确的解剖学准确性，可降低辐射暴露，降低医疗成本，提高患者安全性和资源配置效率。

关键观点3: 性能表现

ABS-Mamba在多个数据集上的性能表现均优于现有最优方法，实现了高保真跨模态合成，保留了解剖语义和结构细节。

免责声明