xLSTM-UNet 可作为一个有效的 2D 和 3D 医学图像分割骨干，其 Vision-LSTM (ViL) 相较于其 Mamba 对应物更佳
内容提要
本文研究了一种新型医学图像分割模型Vision Mamba UNet (VM-UNet)，该模型结合了状态空间模型和视觉上下文信息，展现出优异的分割性能。通过引入Visual State Space块和不对称编码器-解码器结构，VM-UNet在多个公共数据集上表现出色，为高效分割系统的开发奠定了基础。
延伸解读
xLSTM-UNet 的提出背景
文章指出，CNN 对长距离依赖建模能力有限，Transformer 则面临二次计算复杂度。基于状态空间模型（SSM）的 Mamba 在长程交互和线性复杂度上表现优异，但 xLSTM 作为自回归网络，融合门控机制和记忆结构，在长序列任务上可与 Transformer 媲美。xLSTM-UNet 将 xLSTM 引入医学图像分割，旨在探索 SSM 之外的新骨干选择。
ViL 与 Mamba 在分割任务中的对比
文章提到，Vision-LSTM (ViL) 在图像分类上已有出色结果，但在语义分割中表现受限，一般较 Vision-Transformers 和 Vision-Mamba 模型差强人意。然而，在医学图像分割中，xLSTM-UNet 作为骨干，其 ViL 相较于 Mamba 对应物更佳。这表明 ViL 在不同视觉任务中的表现存在差异，医学分割可能受益于 xLSTM 的序列建模能力。
xLSTM-UNet 的性能与效率
文章称 xLSTM-UNet 在 Synapse 数据集上展现了卓越性能，同时计算复杂性较低。与 ViM-UNet 等基于 Mamba 的模型相比，xLSTM-UNet 提供了另一种高效选择。但文章也指出，Vision-LSTM 在遥感图像语义分割中表现不佳，提示其泛化能力可能受领域影响，未来需增强 Vision-LSTM 以提升通用性。
Q&A
VM-UNet模型的主要特点是什么？
VM-UNet结合了状态空间模型和视觉上下文信息，采用不对称编码器-解码器结构，展现出优异的分割性能。
VM-UNet在医学图像分割任务中的表现如何？
实验结果表明，VM-UNet在多个公共数据集上表现出色，具有竞争力。
VM-UNet与其他模型相比有什么优势？
与UNet和UNETR相比，VM-UNet在显微镜实例分割任务中表现相似或更好，同时更加高效。
VM-UNet的创新点是什么？
VM-UNet是首个基于纯状态空间模型构建的医学图像分割模型，旨在提供更高效的分割系统。
VM-UNet的实验数据集有哪些？
VM-UNet在ISIC17、ISIC18、CVC-300、CVC-ClinicDB等多个公共数据集上进行了实验。
未来对VM-UNet的研究方向是什么？
未来研究方向建议增强Vision-LSTM，以提升其在图像语义分割方面的表现。
