用于医学图像分割的大窗基础Mamba UNet：超越卷积和自注意力

在临床实践中，医学图像分割提供了目标器官或组织的轮廓和尺寸的有用信息，有助于改善诊断、分析和治疗。近年来，卷积神经网络（CNNs）和变压器在这一领域占据主导地位，但它们仍然面临有限的感受野或昂贵的长距离建模问题。Mamba，一种状态空间序列模型（SSM），最近作为一种具备线性复杂度的长距离依赖建模的新范式浮现。在本文中，我们介绍了一种基于大窗的Mamba U形网络（LMa-UNet），用于2D和3D医学图像分割。我们LMa-UNet的一个显著特征是利用大窗口，在局部空间建模方面优于基于小卷积核的CNN和基于小窗口的变压器，同时在全局建模方面相比具备二次复杂度的自注意力保持优越的效率。此外，我们设计了一种新颖的分层双向Mamba模块，以进一步增强Mamba的全局和邻域空间建模能力。综合实验表明我们方法的有效性和效率，以及使用大窗口大小实现大感受野的可行性。代码可在 https://github.com/wjh892521292/LMa-UNet 获取。