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

Transformer架构在建模全局关系方面表现出了显著的能力。然而，在处理高维医学图像时，它面临着重大的计算挑战。这阻碍了它在这一任务中的发展和广泛应用。最近，Mamba作为一种状态空间模型（SSM）出现，是一种在序列建模中优秀的长程依赖关系的表示方式，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。受到其成功的启发，我们介绍了SegMamba，一种新颖的3D医学图像分割模型，旨在有效地捕捉每个尺度下整个体积特征的长程依赖关系。与基于Transformer的方法相比，我们的SegMamba从状态空间模型的角度在整个体积特征建模方面表现出色，即使在{$64\times 64\times 64$}分辨率的体积特征下，仍然保持着优越的处理速度。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中找到：https://github.com/ge-xing/SegMamba。

本文旨在解决使用Transformer架构处理高维医学图像时所面临的计算挑战，提出一种基于状态空间模型的SegMamba模型，用于3D医学图像分割。

SegMamba模型通过状态空间模型的方式，有效地捕捉每个尺度下整个体积特征的长程依赖关系，相比Transformer方法在整个体积特征建模方面表现更为出色，保持着更高的处理速度。

本文在BraTS2023数据集上进行了全面实验，证明了SegMamba模型的有效性和高效性。同时，作者还提供了SegMamba模型的开源代码。

近期相关研究包括使用Transformer架构进行医学图像分割的相关工作，如TransUNet、Deformable DETR等。