SegResMamba：一种高效的3D医学图像分割架构
计算机视觉与模式识别
2025-03-12 v1 机器学习
摘要
Transformer架构凭借其建模长程依赖和捕获全局上下文的能力，在深度学习领域开辟了新范式，并在许多方面超越了传统的卷积神经网络（CNN）。然而，将Transformer模型应用于3D医学图像数据集面临重大挑战，由于其高训练时间和内存需求，这不仅阻碍了可扩展性，还导致了较高的CO₂足迹。这促使人们探索能够在保持甚至提升性能的同时更加高效和环境可持续的替代模型。结构化状态空间模型（SSM）的最新进展有效解决了Transformer的一些固有局限性，特别是其高内存和计算需求。受这些进展的启发，我们提出了一种用于医学成像的高效3D分割模型SegResMamba，旨在降低计算复杂度、内存使用、训练时间和环境影响，同时保持高性能。与其他最先进（SOTA）架构相比，我们的模型在训练期间使用的内存不到一半，以显著降低的资源需求实现了可比的性能。
引用
@article{arxiv.2503.07766,
title = {SegResMamba: An Efficient Architecture for 3D Medical Image Segmentation},
author = {Badhan Kumar Das and Ajay Singh and Saahil Islam and Gengyan Zhao and Andreas Maier},
journal= {arXiv preprint arXiv:2503.07766},
year = {2025}
}