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占据着重要地位。传统的卷积神经网络（CNN）和Transformer模型在这个领域取得了显著进展，但是由于感受野有限或计算复杂度高，它们仍然面临挑战。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在空间和通道维度上融合特征。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，与之前的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性能和减少参数数量

提出了Triplet Mamba-UNet模型，使用Triplet SSM融合空间和通道维度上的特征，同时使用Residual VSS Blocks提取强大的上下文特征，从而在医学图像分割任务中取得更好的性能，并且减少了参数数量

在多个医学图像分割数据集上进行了实验，表明Triplet Mamba-UNet模型在性能和参数数量方面都优于之前的VM-UNet模型。

当前领域的研究包括使用传统CNN和Transformer模型以及State Space Models (SSMs)等方法进行医学图像分割，其中Mamba和其变体在视觉领域中表现出色。