本研究提出了一种基于状态空间模型的医学图像分割模型Vision Mamba UNet (VM-UNet)，通过引入Visual State Space (VSS)块以捕获广泛的上下文信息，并构建了一个不对称的编码器-解码器结构。实验结果表明，VM-UNet在医学图像分割任务中具有竞争力。此外，该模型是首个基于纯SSM模型构建的医学图像分割模型，旨在为未来开发更高效、更有效的SSM分割系统奠定基础并提供有价值的见解。

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

利用Semi-Mamba-UNet结合了可视mamba-based UNet架构和常规UNet，采用半监督学习（SSL）框架来解决医学影像分割中的长程依赖和专家标注问题，并通过自监督像素级对比学习策略提升特征学习性能。

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

在医学图像分割领域，CNN和Transformer基于模型已经进行了深入研究。然而，CNN对长距离依赖的建模能力有限，使得充分利用图像内的语义信息变得具有挑战性。另一方面，Transformer的二次计算复杂性提出了挑战。最近，基于状态空间模型（SSMs）的方法，如Mamba，被认为是一种有希望的方法。它们不仅在建模长程交互方面表现出卓越性能，而且保持了线性计算复杂性。受到Mamba架构的启发，我们提出了Vision Mamba-UNetV2，引入了Visual State Space（VSS）块来捕捉广泛的上下文信息，引入Semantics and Detail Infusion（SDI）来增强低级和高级特征的融合。我们在ISIC17、ISIC18、CVC-300、CVC-ClinicDB、Kvasir、CVC-ColonDB和ETIS-LaribPolypDB等公共数据集上进行了全面的实验。结果表明，VM-UNetV2在医学图像分割任务中表现出竞争力。我们的代码可在此网址获得

Mar, 2024

该研究设计了一种基于状态空间模型的高阶视觉Mamba UNet (H-vmunet)用于医学图像分割，其中提出的高阶2D选择性扫描 (H-SS2D)模块通过更高阶的交互逐渐减少冗余信息的引入，提高了2D选择性扫描操作的适应性，并且所提出的局部SS2D模块改进了每个交互阶段中局部特征的学习能力。通过对三个公开可用的医学图像数据集（ISIC2017、Spleen和CVC-ClinicDB）进行对比和消融实验，研究结果显示了H-vmunet在医学图像分割任务中的强大竞争力。

Mar, 2024

通过使用残差 VSS 模块进行深度上下文特征提取，以及使用 Triplet SSM 在空间和通道维度上融合特征，我们的 TM-UNet 在多个数据集上展示了卓越的分割性能，并且相较于之前的 VM-UNet 减少了三分之一的参数。

Mar, 2024

基于Vision Mamba架构的ViM-UNet是一种新颖的分割架构，与UNet和UNETR相比，在两个具有挑战性的显微镜实例分割任务中表现相似或更好，同时更加高效。

Apr, 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