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重大进展，但仍然面临由于有限的感受野或高计算复杂度而带来的挑战。最近，状态空间模型（SSMs），特别是Mamba及其变体，在视觉领域中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。受先前的空间和通道注意方法的启发，我们提出了Triplet Mamba-UNet。该方法利用残差VSS块提取强大的上下文特征，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，证明了我们提出的TM-UNet的优越分割性能。此外，与先前的VM-UNet相比，我们的模型参数减少了三分之一。

Triplet Mamba-UNet解决了传统卷积神经网络和Transformer模型在医学图像分割中存在的感受野有限和计算复杂度高的问题。

Triplet Mamba-UNet利用Triplet SSM融合空间和通道维度的特征，同时使用VSS块提取上下文特征，进一步减少了参数数量。

Triplet Mamba-UNet在ISIC17、ISIC18、CVC-300、CVC-ClinicDB、Kvasir-SEG、CVC-ColonDB和Kvasir-Instrument数据集上进行了实验，表现出优秀的分割性能。相比之前的VM-UNet，模型参数数量减少了三分之一。

最近相关研究包括基于卷积神经网络和Transformer模型的医学图像分割方法，以及基于空间和通道注意力机制的方法。