计算高效时代：医学图像分析中状态空间模型的全面综述

序列建模在各个领域都发挥着至关重要的作用，历史上循环神经网络是执行这些任务的主要方法。然而，Transformer的出现因其优越的性能改变了这一范式。基于这些进展，Transformer与CNN结合成为学习视觉表示的两个领先基础模型。然而，Transformer受限于其注意力机制的$\mathcal{O}(N^2)$复杂度，而CNN缺乏全局感受野和动态权重分配。状态空间模型（SSM），特别是具有选择机制和硬件感知架构的\textit{\textbf{Mamba}}模型，最近在序列建模和视觉表示学习中引起了极大兴趣，通过提供无限上下文长度并在输入序列中保持线性复杂度的高效性，挑战了Transformer的主导地位。借助计算机视觉的进展，医学成像已进入Mamba模型的新纪元。为帮助研究人员应对这一浪潮，本综述旨在对医学成像中的Mamba模型进行百科全书式的回顾。具体而言，我们首先从全面的理论回顾开始，形成SSM的基础，包括Mamba架构及其在此背景下序列建模范式的替代方案。接下来，我们提供医学领域中Mamba模型的结构化分类，并基于其应用、成像模态和目标器官引入多样化的分类方案。最后，我们总结了关键挑战，讨论了SSM在医学领域的不同未来研究方向，并提出了几个满足该领域需求的方向。此外，我们已将本文讨论的研究及其开源实现整理到我们的GitHub仓库中。