HC-Mamba: Vision MAMBA with Hybrid Convolutional Techniques for Medical Image Segmentation

自动医学图像分割技术有潜力加速病理诊断，从而提高患者护理的效率。然而，医学图像往往具有复杂的纹理和结构，模型常常面临由于下采样导致的图像分辨率降低和信息丢失的问题。为了解决这个问题，我们提出了HC-Mamba，一种基于现代状态空间模型Mamba的新型医学图像分割模型。具体来说，我们在HC-Mamba模型中引入了扩张卷积技术，通过扩展卷积核的感知域来捕获更广泛的上下文信息，而不增加计算成本。此外，HC-Mamba模型采用了深度可分离卷积，显著减少了模型的参数数量和计算能力。通过结合扩张卷积和深度可分离卷积，HC-Mamba能够以更低的计算成本处理大规模医学图像数据，同时保持高水平的性能。我们对器官分割和皮肤病变等分割任务进行了全面的实验，并在Synapse、ISIC17和ISIC18上进行了广泛的实验，以展示HC-Mamba模型在医学图像分割中的潜力。实验结果表明，HC-Mamba在所有这些数据集上展现出了竞争性的性能，从而证明了它在医学图像分割中的有效性和有用性。

论文旨在解决医学图像分割中的信息丢失和计算成本高的问题，提出了一种基于Mamba模型的HC-Mamba医学图像分割模型。

HC-Mamba模型通过引入扩张卷积和深度可分离卷积技术，提高了模型的感受野和计算效率，能够在保持高性能的同时处理大规模医学图像数据。

论文在多个分割任务上进行了全面的实验，证明了HC-Mamba模型在医学图像分割中的有效性和实用性。实验使用了Synapse、ISIC17和ISIC18等数据集，并开源了代码。

近年来，医学图像分割领域的相关研究还有DeepLab、U-Net、Mask R-CNN等。