ViM-UNet：用于生物医学分割的视觉玛巴

提出了一种名为 Mamba-UNet 的创新架构，结合了 U-Net 和 Mamba 的优势。

该架构采用 Visual Mamba 编码器-解码器结构和跳跃连接，显著提升医学图像分割性能。

Mamba-UNet 在处理长程依赖和专家标注问题上表现出竞争力。

引入了 Visual State Space (VSS) 块以捕获广泛的上下文信息，并增强低级和高级特征的融合。

该模型是首个基于纯状态空间模型构建的医学图像分割模型，旨在为未来的 SSM 分割系统开发奠定基础。

研究还设计了基于状态空间模型的高阶视觉 Mamba UNet (H-vmunet)，提高了特征学习能力。

提出的 UltraLight Vision Mamba UNet 方法在保持计算负载稳定的同时，提升了处理性能。

Swin-UMamba 模型在多个医学图像数据集上表现优异，显示了 ImageNet 预训练的重要性。

LightM-UNet 在轻量化框架中集成了 Mamba 和 UNet，适合移动健康应用。