Rotate to Scan: UNet-like Mamba with Triplet SSM Module for Medical Image Segmentation

图像分割在医学领域的诊断和治疗中具有重要地位。传统的卷积神经网络（CNN）和Transformer模型在这个领域取得了显著的进展，但仍然面临有限的感受野或高计算复杂度的挑战。最近，状态空间模型（SSMs），特别是Mamba及其变体，在视觉领域表现出了显著的性能。然而，它们的特征提取方法可能不够有效，保留了一些冗余结构，留下了参数减少的空间。在以前的空间和通道注意方法的基础上，我们提出了Triplet Mamba-UNet。该方法利用残差VSS块提取密集的上下文特征，同时采用Triplet SSM来融合空间和通道维度的特征。我们在ISIC17、ISIC18、CVC-300、CVC-ClinicDB、Kvasir-SEG、CVC-ColonDB和Kvasir-Instrument数据集上进行了实验，展示了我们提出的TM-UNet卓越的分割性能。此外，与先前的VM-UNet相比，我们的模型参数减少了三分之一。

提高医学图像分割的精度和效率

提出了一种基于Triplet SSM和Residual VSS Blocks的Triplet Mamba-UNet模型，用于医学图像分割，相比之前的VM-UNet模型，参数减少了三分之一

使用ISIC17、ISIC18、CVC-300、CVC-ClinicDB、Kvasir-SEG、CVC-ColonDB和Kvasir-Instrument数据集进行实验，证明了所提出模型的优越性能；提出的Triplet SSM和Residual VSS Blocks可以提取更加丰富的特征，同时减少了模型参数；模型具有可解释性和可视化的能力

传统CNN和Transformer模型在医学图像分割领域有很大进展；State Space Models (SSMs)在视觉领域表现突出；之前的VM-UNet模型也被用于医学图像分割