SegMamba: Long-range Sequential Modeling Mamba For 3D Medical Image Segmentation

最新推荐文章于 2025-10-28 09:30:09 发布

原创最新推荐文章于 2025-10-28 09:30:09 发布 · 957 阅读

11 ·

CC 4.0 BY-SA版权

文章标签：

#3d

文章介绍了SegMamba，一种利用Mamba的内存效率和计算速度优势，在高维医学图像分割中有效处理长程依赖的3D模型。实验结果表明，SegMamba在保持快速处理的同时，对BraTS2023数据集展现出优越的性能。

Xing, Z., Ye, T., Yang, Y., Liu, G., & Zhu, L. (2024). SegMamba: Long-range Sequential Modeling Mamba For 3D Medical Image Segmentation. In arXiv [cs.CV]. arXiv. http://arxiv.org/abs/2401.13560

Transformer架构在建模全局关系方面表现出色。然而，在处理高维医学图像时，它面临着显著的计算挑战。这限制了它在这个任务中的发展和广泛应用。最近作为状态空间模型（SSM）出现的Mamba，在序列建模中以其卓越的内存效率和计算速度在自然语言处理领域表现出色。受其成功启发，我们引入了SegMamba，一个新颖的3D医学图像分割模型，旨在有效地捕捉每个尺度上整个体积特征中的远距离依赖关系。与基于Transformer的方法相比，我们的SegMamba在整个体积特征建模方面表现出色，保持了卓越的处理速度，即使是在{}分辨率的体积特征上。对BraTS2023数据集的全面实验证明了我们SegMamba的有效性和效率。SegMamba的代码可在以下链接找到：https://github.com/ge-xing/SegMamba

在这里插入图片描述
图1. 提出的SegMamba的概述。