本研究提出了一种新方法UMambaAdj，用于头颈癌MRI引导自适应放疗中的肿瘤分割。结合UMamba和nnU-Net Residual Encoder的优势，在HNTS-MRG 2024测试集上，T2加权MRI图像的GTVp和GTVn平均Dice系数分别为0.751和0.842，显示出提高肿瘤勾画精度的潜力。

介绍了基于Mamba的新模型Swin-UMamba，用于医学图像分割任务。实验证明，基于ImageNet的预训练对模型性能提升很重要。Swin-UMamba在AbdomenMRI、Encoscopy和Microscopy数据集上表现出色，平均得分比最接近的模型高出3.58%。

U-Mamba是一种通用的医学图像分割网络，融合了卷积层和序列模型的能力，能够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。