来源：期刊VIP网 时间：
作者：严婧;司占军;张滢雪;
单位：天津科技大学人工智能学院;
摘要：深度学习技术正在彻底改变医学图像分割的发展。随着Transformer模型的发展，特别是ViT和Swin-Transformer的发展，通过自我关注机制增强了模型的远程建模能力，从而实现了更好的分割性能。此外，Transformer的高计算成本也促使研究人员探索更高效的模型以减少模型参数，如基于状态空间建模（SSM）的Mamba模型。本研究提出了一种新型非对称模型——LA-UMamba，它集成了视觉Mamba模块，能有效捕捉复杂的视觉特征和远程依赖关系。在上采样阶段采用了U-Net的经典设计，以帮助减少参照物的数量并恢复更多细节。为了减少信息丢失问题，设计了一个辅助U-Net下采样层，只关注尺寸而不提取特征，从而在保持模型效率的同时加强了对输入信息的保护。实验在ACDC核磁共振成像心脏分割数据集上进行，结果表明，与基线模型相比，所提出的LA-UMamba在IoU、精度、Hausdorff距离和平均表面距离等多个评价指标上都取得了更好的性能，表明该模型在优化细节处理和降低模型复杂度方面取得了成功。LA-UMamba为进一步优化医学图像分割技术提供了新的视角。
关键词：医学图像分割;;U-Net;;Mamba模块;;深度学习
