将 Mamba 序列模型与层次化上采样网络整合，用于准确地多发性硬化病灶语义分割
内容提要
本文提出了基于Mamba架构的医学图像分割模型，如VM-UNet和Swin-UMamba，结合了状态空间模型和卷积神经网络的优点，显著提升了分割性能。实验结果显示，这些模型在多个公共数据集上表现优异，尤其在捕捉长距离依赖和上下文信息方面，为医学图像分析提供了新方案。
延伸解读
Mamba 在医学图像分割中的优势
文章指出，传统 CNN 对长距离依赖建模能力有限，而 Transformer 则面临二次计算复杂性的挑战。基于状态空间模型（SSM）的 Mamba 架构在建模长程交互方面表现出卓越性能，同时保持线性计算复杂性，这使其成为医学图像分割领域有前景的方向。多个基于 Mamba 的模型在公共数据集上验证了其竞争力。
模型创新点与性能表现
文章介绍了多个基于 Mamba 的创新模型，如 Mamba-UNet、VM-UNet、LMa-UNet、H-vmunet、Swin-UMamba 等。这些模型通过引入 Visual State Space 块、大窗口局部建模、高阶选择性扫描等机制，增强了特征融合和上下文捕捉能力。实验表明，它们在 ISIC17、ISIC18 等数据集上表现优异，其中 Swin-UMamba 平均得分比 U-Mamba 高出 3.58%。
轻量化与半监督扩展
除了性能提升，文章还提到了轻量化设计 LightM-UNet，它在减少参数和计算成本的同时保持优越分割性能，适合移动健康应用。此外，Semi-Mamba-UNet 结合半监督学习框架，利用自监督像素级对比学习策略，旨在解决医学影像中长程依赖和专家标注不足的问题，展示了 Mamba 架构在多种场景下的适应性。
Q&A
Mamba-UNet模型的主要特点是什么？
Mamba-UNet结合了U-Net和Mamba的能力，通过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。
VM-UNet与传统模型相比有什么优势？
VM-UNet是首个基于状态空间模型的医学图像分割模型，能够捕获广泛的上下文信息，并在长程交互建模方面表现优异。
Swin-UMamba模型的设计目的是什么？
Swin-UMamba专门针对医学图像分割任务，利用ImageNet预训练的优势，显著提升模型性能。
LightM-UNet适合于哪些应用场景？
LightM-UNet在轻量化框架中整合Mamba和UNet，适合移动健康应用，能够在降低参数和计算成本的同时实现优越的分割性能。
H-vmunet模型如何提高局部特征学习能力？
H-vmunet通过高阶选择性扫描模块逐渐减少冗余信息的引入，从而提高局部特征学习能力。
Semi-Mamba-UNet如何解决医学影像分割中的问题？
Semi-Mamba-UNet结合了可视Mamba和常规UNet，采用半监督学习框架，提升特征学习性能，解决长程依赖和专家标注问题。
