提出了一种新颖的基于Mamba的模型，Swin-UMamba，专门针对医学图像分割任务，利用了基于ImageNet的预训练的优势。实验结果表明，ImageNet的训练对于提高基于Mamba的模型性能起到了重要作用。与CNNs、ViTs和最新的基于Mamba的模型相比，Swin-UMamba在AbdomenMRI、Encoscopy和Microscopy数据集上的表现优异，平均得分比最接近的对应模型U-Mamba高出3.58%。

Feb, 2024

通过将 State Space Sequence Models (SSMs) 整合到卷积残差块中，nnMamba 架构能够提取局部特征并建模复杂的依赖关系，从而在医学图像分析的一系列挑战性任务中展现出卓越的性能。

Feb, 2024

我们提出了一种名为Mamba-UNet的创新架构，该架构将U-Net在医学图像分割中的能力与Mamba的能力相结合，通过纯粹的Visual Mamba（VMamba）编码器-解码器结构和跳跃连接来捕捉医学图像中的细节和上下文，并显著优于具有相同超参数设置的UNet和Swin-UNet。

Feb, 2024

LightM-UNet integrates Mamba and UNet in a lightweight framework, achieving superior segmentation performance while drastically reducing parameter and computation costs, making it suitable for mobile health applications.

Mar, 2024

通过利用大窗口进行局部的空间建模，同时保持超强的全局建模效果，在医学图像分割领域提出了基于大窗口的Mamba U形网络(LMa-UNet)，通过设计新颖的分层双向Mamba块进一步增强了全局和邻域空间建模能力，全面实验验证了方法的有效性和高效性，并证明了使用大窗口大小实现大感受野的可行性。

Mar, 2024

通过融合状态空间模型（SSM）和高级分层网络（AHNet），提出了一种针对医学成像中语义分割任务的 Mamba-Ahnet 方法，通过图像分割和特征理解来提高分割的准确性和鲁棒性。通过分解图像为小块并通过自我注意机制来优化特征理解，该方法显著提高了特征分辨率。Mamba-Ahnet 进一步通过选择性地放大信息区域和学习富有层次结构的特征来增强分割性能。在通用病变分割数据集上的评估结果表明，与先进技术相比，我们的方法表现出更高的性能，其中 Dice 相似系数约为 98%，交并比约为 83%。我们的方法有望提高诊断准确性、治疗规划的精度以及患者的治疗效果，并代表医学成像技术的重要进展。

Apr, 2024

该论文通过对Mamba模型在医学图像中的应用进行全面回顾，介绍了该模型的架构、分类和未来研究方向。

Jun, 2024

本研究解决了现有视覺Mamba模型在医学图像分割中的局部与全局依赖问题。提出的LoG-VMamba通过在通道轴上明确保持空阔相邻的标记，并以压缩形式保留全局上下文，从而实现了高效的局部和全局上下文访问。结果显示，LoG-VMamba在多种2D和3D医学图像分割任务中显著优于传统CNN和Transformer模型。

Aug, 2024

本研究解决了医学图像分割中多尺度特征表示和全局上下文依赖性学习的不足，通过提出多尺度卷积与LKPE层的新型MSVM-UNet模型，能够有效捕捉和聚合多尺度特征。实验结果显示，该模型在模拟长距离依赖性方面显著优于一些先进方法，具有广泛的应用潜力。

Aug, 2024

本研究针对医学图像分析中传统深度学习方法的局限性，提出Mamba架构作为替代方案。Mamba以线性时间复杂度处理数据，显著提高了推理速度和内存效率，并在多模态数据融合中展现出卓越性能，有望改善诊断准确性和患者结果。该综述系统地阐述了Mamba在医学成像中的潜力及其未来发展方向。

Oct, 2024