基于深度序列模型的U-Mamba是一种适用于医学图像分割的通用网络，通过融合卷积层的局部特征提取能力与序列模型的长距离依赖捕捉能力，能够自适应不同数据集并在各种任务中取得优于当前基于CNN和Transformer的分割网络的结果，为医学图像分析中高效建模长距离依赖开辟了新的途径。

Jan, 2024

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

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

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

通过优化顺序建模的扫描方向，并采用局部扫描策略和动态方法，本文提出了Vision Mamba (ViM)模型的改进方法，大幅度提高了图像表示的效果。

Mar, 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