Convolution and Attention-Free Mamba-based Cardiac Image Segmentation

卷积神经网络（CNN）和基于Transformer的自注意力模型已经成为医学图像分割的标准。本文展示了卷积和自注意力虽然被广泛使用，但并不是分割的唯一有效方法。与传统方法不同，我们提出了一种基于Mamba的通道聚合器和空间聚合器的语义分割网络，名为CAF-MambaSegNet。具体而言，我们在每个编码器-解码器阶段独立地应用通道聚合器和空间聚合器。通道聚合器从不同通道中提取信息，而空间聚合器则学习不同空间位置上的特征。我们还提出了一种线性相互连接的分解Mamba（LIFM）块，以降低Mamba的计算复杂度，并通过在两个分解Mamba块之间引入非线性来增强其决策功能。我们的目标不是超越最先进的结果，而是展示这种创新的、不使用卷积和自注意力的方法如何激发超越已经建立的CNN和Transformer的进一步研究，实现线性复杂度并减少参数数量。源代码和预训练模型将公开提供。

本文旨在展示一种新的医学图像分割方法，名为CAF-MambaSegNet，该方法不使用卷积和自注意力机制。作者试图证明，除了CNN和Transformer，还有其他有效的分割方法。

CAF-MambaSegNet使用Mamba-based Channel Aggregator和Spatial Aggregator来提取跨通道和跨空间位置的信息，并使用Linearly Interconnected Factorized Mamba（LIFM）块来减少计算复杂度和增强决策功能。该方法具有线性复杂度和较少的参数。

本文的亮点是提出了一种新的分割方法，不使用卷积和自注意力机制，具有线性复杂度和较少的参数。作者使用公开数据集进行了实验，并提供了源代码和预训练模型。

最近的相关研究包括使用CNN和Transformer的医学图像分割方法，如U-Net和DeepLab系列。