医学图像分析中 Mamba 架构的综合调查：分类、分割、恢复及其它
计算机视觉与模式识别
2025-10-13 v3 人工智能
摘要
Mamba 是状态空间模型 (SSM) 的一种特殊 case，正作为基于模板的深度学习方法在医学图像分析中的替代方案而日益流行。虽然 transformer 是强大的架构，但它们存在计算复杂度呈二次增长且无法有效处理长程依赖的问题。这一限制影响了医学影像中大型复杂数据集的分析，因为医学影像中存在众多空间和时间关系。相比之下，Mamba 具有线性时间复杂度，这是对 transformer 的显著改进。Mamba 能处理更长的序列，而无需注意力机制，从而实现更快的推断并占用更少的内存。Mamba 还在融合多模态数据方面表现突出，提高诊断准确性和患者预后。本文的组织方式使读者逐步欣赏 Mamba 在医学影像中的能力。我们首先定义 SSM 的核心概念及模型，包括 S4、S5 和 S6，随后探讨 Mamba 架构，如纯 Mamba、U-Net 变体以及与卷积神经网络、transformer 和图神经网络的混合模型。我们还涵盖 Mamba 的优化、技术与适应方法、扫描方式、数据集、应用、实验结果，并在本文结尾讨论其在医学影像中的挑战与未来方向。本次综述旨在展示 Mamba 在克服医学影像现有障碍方面的变革性潜力，为该领域的创新进步铺平道路。本次研究综述的医学领域应用 Mamba 架构的综合列表已在 Github 上提供。
引用
@article{arxiv.2410.02362,
title = {A Comprehensive Survey of Mamba Architectures for Medical Image Analysis: Classification, Segmentation, Restoration and Beyond},
author = {Shubhi Bansal and Sreeharish A and Madhava Prasath J and Manikandan S and Sreekanth Madisetty and Mohammad Zia Ur Rehman and Chandravardhan Singh Raghaw and Gaurav Duggal and Nagendra Kumar},
journal= {arXiv preprint arXiv:2410.02362},
year = {2025}
}