T-Mamba: 提升频率的门控长距依赖网络用于牙齿 3D CBCT 分割
内容提要
U-Mamba 是一种基于深度序列模型的医学图像分割网络，结合卷积层和序列模型的优点，适应不同数据集并取得优异效果。SegMamba 和 nnMamba 进一步提升了分割性能，Vision Mamba 实现了病变检测的突破。TM-UNet 和 LMa-UNet 增强了特征提取能力，Graph-Mamba 在图预测任务中表现出色，证明了新方法的有效性和高效性。
延伸解读
从CNN与Transformer到Mamba的演进
文章指出，CNN对长距离依赖建模能力有限，难以充分利用图像语义信息；Transformer虽能建模长程交互，但二次计算复杂度带来挑战。基于状态空间模型（SSM）的Mamba方法在保持线性计算复杂度的同时，展现出卓越的长程建模性能，为医学图像分割提供了新思路。
Mamba在医学图像分割中的多样化应用
文章列举了多个基于Mamba的模型：U-Mamba融合卷积与序列模型，自适应不同数据集；SegMamba针对3D体积特征，在BraTS2023上验证了高效性；nnMamba整合SSM到卷积残差块，提取局部特征并建模复杂依赖；TM-UNet通过残差VSS和Triplet SSM减少参数；LMa-UNet利用大窗口增强全局和邻域建模；Mamba-UNet结合U-Net与VMamba，性能优于UNet和Swin-UNet。
Mamba在视频与图任务中的扩展
文章还介绍了Mamba在医学视频目标分割和图预测任务中的应用。Vivim基于视频视觉Mamba框架，通过时间Mamba块压缩长期时空表示，在保持分割结果的同时速度优于Transformer方法。Graph-Mamba将Mamba块与输入依赖的节点选择机制结合，增强图网络长程上下文建模，在十个基准数据集上以更少计算成本超越最先进方法。
Q&A
U-Mamba 是什么？
U-Mamba 是一种基于深度序列模型的医学图像分割网络，结合卷积层和序列模型的优点，适应不同数据集并取得优异效果。
SegMamba 的优势是什么？
SegMamba 能有效捕捉各个尺度上的全体积特征的远程依赖性，并保持出色的处理速度。
nnMamba 如何提升医学图像分析的性能？
nnMamba 通过整合状态空间序列模型，能够提取局部特征并建模复杂依赖关系，从而在医学图像分析中表现卓越。
Vision Mamba 在病变检测中有什么突破？
Vision Mamba 结合卷积层与状态空间模型，在病变检测中取得了良好结果，建立了新的基准。
TM-UNet 的主要特点是什么？
TM-UNet 通过深度上下文特征提取和特征融合，展示了卓越的分割性能，并减少了参数量。
Graph-Mamba 的创新之处在哪里？
Graph-Mamba 通过增强图网络中的长程上下文建模，显著提高了预测性能，并在计算成本上表现优异。
