椎板切除术是治疗椎管狭窄的标准手术方式，在手术过程中要准确地分辩出皮质骨和松质骨。皮质骨比较致密、坚硬，而松质骨则有很多空洞并且很柔软，如果切错了地方就会出现大出血或者神经受损的情况。但是CT图像上这两种骨头的灰度特征非常相近，边界也十分模糊。另外，获得大量的精细标注的脊柱CT数据的成本很高，在标注较少的情况下做到精准分割是临床所面临的难题之一。因此，研究团队提出了MambaMatch：面向跨模态医学图像的自适应阈值缩放与鲁棒半监督分割方法，其核心是将 Mamba 类时序/状态空间建模思路引入半监督医学分割，希望通过更强的表示能力和一致性学习机制提升少标注场景下的分割质量。相关成果于2026年2月以“MambaMatch: A Novel Model for Semi-Supervised Spinal Cortical and Cancellous Bone Segmentation”为题，被期刊《IEEE Transactions on Medical Imaging》接收。

该方法整体上是一个半监督分割框架，在有标注数据上做监督训练，在无标注数据上做一致性或伪标签约束，同时把 Mamba 结构用于增强特征建模。可以理解为，模型一方面依靠少量真值标签学习骨组织边界和类别差异，另一方面从大量未标注样本中通过匹配式约束学习更稳定的表示；而 Mamba 模块则帮助网络更高效地建模长程依赖和结构上下文，使得皮质骨与松质骨这类细粒度目标分割更稳。

CT实验：上图的可视化结果展示了该优点的表现形式。PrevMatch、CorrMatch 会出现皮质层溢出、髓质区缺损的情况；AllSpark 在薄皮质骨处有不连续、断裂的现象；UniMatch 整体轮廓已经很接近真实的结构了，在轴状面和冠状面上还有局部的扩张或者侵蚀。而MambaMatch 在所有的三种视图下都会产生光滑连续的预测，并且假阳性以及假阴性的区域很少。

MRI实验：对于软组织对比度低、结构复杂多样的MRI图像，MambaMatch具有很强的跨模态适应能力。

跨模态泛化实验。在ISIC2018皮肤镜数据集上进行分割可视化的比较。对于各种各样的皮肤病变，MambaMatch可以画出更加完整的边界。

MambaMatch利用MAU模块的全局-局部特征融合、CGCA策略的智能数据增强以及动态阈值机制的自适应学习，在标注较少的情况下实现了高精度的脊柱皮质-松质骨分割。该模型在CT、MRI、皮肤镜等多种模态的数据上都表现出了优异的性能以及强大的泛化能力。