近日，北师香港浸会大学理工科技学院数据科学专业本科毕业生赵毅以第一作者身份完成的科研论文《SegMaDiff: Segmentation-Guided Mamba Dynamic Diffusion Model for Anatomy-Preserving MRI Generation》被信号处理领域的国际旗舰会议，CCF-B类推荐会议——2026年IEEE国际声学、语音与信号处理会议（2026 IEEE International Conference on Acoustics, Speech and Signal Processing, ICASSP 2026）录用并正式发表。该论文主要内容源自赵毅的本科毕业设计，合作者包括数据科学专业樊骐瑞和中山大学孙逸仙纪念医院段小慧主任，指导教师及通讯作者为理工科技学院统计与数据科学系副系主任陈东龙教授。赵毅赴西班牙巴塞罗那出席会议，并在海报展示环节向与会学者现场介绍了这项研究。

会议介绍

IEEE国际声学、语音与信号处理会议（ICASSP）由IEEE信号处理学会（IEEE Signal Processing Society）主办，自1976年首次举办以来已有五十年历史，是该学会的旗舰会议，也是信号处理领域规模最大、覆盖面最广的国际学术会议之一。会议议题涵盖语音与音频处理、图像与视频处理、生物医学信号与医学影像、机器学习与人工智能等多个方向，每年吸引来自全球高校、研究机构和产业界的大量学者投稿与参会，是展示前沿成果、促进国际交流的重要平台。第51届ICASSP于2026年5月4日至8日在西班牙巴塞罗那举行，录用论文收录于IEEE会议论文集，并通过IEEE Xplore数据库公开发表。

论文内容介绍

磁共振成像（MRI）是脑肿瘤无创诊断与评估的“金标准”。人工智能模型要准确识别肿瘤，通常需要大量由医生逐像素标注的影像数据，但这类标注耗时费力、成本高昂，加之不同医院的设备和扫描参数差异明显，高质量训练数据长期短缺。利用生成模型“合成”带有标注的医学影像，是缓解这一问题的重要途径。其中，扩散模型（Diffusion Model）从随机噪声出发、通过逐步“去噪”生成图像，在图像质量上已明显超越传统的生成对抗网络（GAN）。然而，现有方法通常只在输入端加入一次肿瘤分割掩码（即标明各肿瘤区域位置与形状的“轮廓图”），生成过程中对解剖结构的约束较弱，容易出现肿瘤边界模糊、位置与形态偏离给定掩码等问题，难以满足医学场景对结构准确性的严格要求。

针对这一挑战，论文提出了分割引导的扩散生成框架SegMaDiff。与只在输入端“提示一次”的做法不同，SegMaDiff在每一步去噪中都引入肿瘤分割掩码，并利用掩码动态调节网络内部的状态参数，使模型在整个生成过程中始终聚焦于肿瘤区域，生成的影像严格遵循给定的解剖结构。框架的核心是新设计的Mamba Dynamic Former（MDF）模块，它嵌入在U-Net主干网络的中间层，由三部分组成：一是受高效序列模型Mamba启发的“全向扫描”（Mamba Omni Scan）机制，沿水平和竖直两个方向依次扫描特征图，以线性计算复杂度捕捉图像中相距较远区域之间的关联；二是高斯高通滤波，突出边缘与纹理等高频信息，从而保留肿瘤边界的精细结构；三是无需归一化层的动态Tanh（Dynamic Tanh）激活函数，提升深层网络训练的稳定性与表达能力。此外，论文在训练中加入辅助的掩码一致性约束，进一步保证生成影像与给定掩码相互吻合。

图1 SegMaDiff整体框架。模型从随机噪声（左）出发逐步去噪生成MRI影像（右），肿瘤分割掩码在每一步去噪中引导生成过程；下方虚线框展示了核心模块Mamba Dynamic Former的内部结构

研究在国际脑肿瘤分割挑战赛的公开数据集BraTS 2023和BraTS 2024上开展了系统实验，覆盖增强肿瘤、非增强肿瘤核心、瘤周水肿高信号区和术后切除腔四类肿瘤子区域。结果表明，SegMaDiff在图像真实度和结构一致性两方面均优于现有方法。在衡量生成影像与真实影像分布差距的FID指标（越低越好）上，SegMaDiff在BraTS 2024和BraTS 2023上分别达到0.0031和0.0037，较此前的代表性方法SegGuidedDiff（0.0070和0.0063）分别降低约56%和41%；在衡量生成影像与给定掩码吻合程度的Dice系数（越接近1越好）上，完整模型在两个数据集上达到约0.90至0.91，高于所有对比方法和消融变体。消融实验同时表明，三个组件各自带来性能提升，组合使用时效果互补。值得一提的是，SegMaDiff还表现出“影像修复”能力：面对运动模糊、低分辨率或部分信息缺失的MRI切片，模型仅以分割掩码作为引导，即可恢复清晰的组织边界与病灶形态，而无需另行训练专门的修复网络。

这项工作将解剖结构先验与新一代状态空间模型相结合，为“可控、可信”的医学影像生成提供了新的思路。一方面，高保真、结构可控的合成影像可用于扩充稀缺的标注数据，帮助训练更准确的肿瘤分割与辅助诊断模型；另一方面，基于掩码引导的影像修复能力有望用于不同设备间的影像标准化与伪影校正，在医疗资源有限的场景中具有应用价值。该研究由北师港浸大与中山大学孙逸仙纪念医院放射科合作完成，体现了人工智能与临床医学交叉研究的潜力。

图2 赵毅在ICASSP 2026海报展示环节介绍论文成果（西班牙，巴塞罗那）

图3 论文作者赵毅（右二）及樊骐瑞（左二）与指导老师陈东龙教授（右一）和胡瑜加博士（左一）在本科毕业设计答辩现场合影

此次论文被ICASSP 2026录用并发表，是赵毅在科研道路上的一次重要突破，也是数据科学专业本科毕业设计成果走向国际学术舞台的一个范例。从文献调研、模型设计、代码实现，到实验验证、论文撰写和会议现场报告，赵毅在陈东龙教授的指导下，展现了扎实的专业功底与独立开展科研的能力。本次科研成果获得国际学术界认可，不仅是对学生个人努力的肯定，也彰显了理工科技学院在数据科学与人工智能领域的科研实力。本科毕业后，赵毅赴美攻读卡内基梅隆大学计算机视觉专业硕士，并始终与我校老师保持科研合作。

来源 | 统计与数据科学系