中大新闻网讯（通讯员 雷建晖、郭晓冉）医学图像实例分割不仅需要识别目标类别，更要勾画出连续、完整且符合解剖结构的器官轮廓。传统逐像素分割在复杂形态、模糊边界和密集目标场景中容易出现掩膜空洞、结构断裂和边缘锯齿等问题。因此，发展能够联合利用轮廓结构、演化过程与医学知识的实例分割方法，对提升复杂医学图像分割的可靠性具有重要意义。
近日，中山大学智能工程学院副教授赵屾团队在医学图像领域权威期刊Medical Image Analysis发表题为“TEAMS: Text-prompted spatiotEmporal dual-heAd Mamba Snake”的论文。研究在课题组前期深度蛇（Deep Snake）工作基础上，提出视觉—语言曼巴蛇框架TEAMS，通过时空蛇演化策略(SSES)、轮廓形态感知曼巴(CMAM)和文本提示协作双头蛇 (TCDHS)，分别建模轮廓点的空间关系与历史演化、感知局部轮廓形态，并将医学文本知识和演化后的轮廓信息用于改善基础检测。该方法使模型能够同时理解器官整体形态与局部边界，并使“检测—分割”由单向流程转变为相互协同的闭环，为减少漏检、保持解剖结构完整性和提升复杂边界分割的可靠性提供了新的技术路径。
研究在5个数据集上开展验证，覆盖脊柱、腹腔器官等宏观结构以及细胞核等微观目标，涉及MRI、CT与显微图像等多种成像模态。TEAMS在前4个数据集上取得最优结果，在全景细胞核数据集PanNuke上排名第二，显示出对不同成像模态、器官类型与轮廓形态的适应能力。
研究拓展了曼巴模型对具有明确几何意义的轮廓点序列进行建模的能力，并为医学图像实例分割由像素级预测走向结构感知、知识引导和闭环优化提供了新思路；基于轮廓的显式表示也为三维医学影像和手术视频中的连续目标追踪与分割提供了进一步拓展的基础。
本研究得到国家自然科学基金、深圳市科技计划和深圳医学研究基金支持。论文由中山大学、浙江大学医学院附属杭州市第一人民医院和凯斯西储大学合作完成，中山大学智能工程学院副教授赵屾为通讯作者。
论文链接：https://doi.org/10.1016/j.media.2026.104277
