Mamba对UNet王炸升级！全新混合架构参数小了116倍，精度依旧完成超车

UNet又升级了！北大最新提出LightM-UNet，用Mamba设计1.8M参数UNet，比nnU-Net小了116倍，计算量减少21倍，精度依然SOTA！

这种将Mamba与UNet结合的策略利用了两者在图像处理和网络架构上的优势，既能保持较低的计算成本，又能轻松实现优异的分割性能，在高效性、准确性、创新性等方面都遥遥领先，是医学图像分割非常有潜力的研究方向。

更赞的是，对于想发论文的同学来说，Mamba是新技术，还没那么卷，相关的Mamba+UNet创新空间自然也大，还有很多优秀的成果给我们作参考，无疑是非常好的选择。

为了帮同学们抓紧机会，我已经挑选好了12篇Mamba结合UNet的高质量论文供大家参考，全部都有代码，想速发论文拿下顶会的别错过啦。

论文原文+开源代码需要的同学看文末

方法：论文介绍了LightM-UNet，这是一种基于Mamba的轻量级网络，它在2D和3D分割任务中实现了最先进的性能，仅包含100万个参数，与最新的基于Transformer的架构相比，参数数量降低了99％以上，并且GFLOPS也显著降低。

创新点：

LightM-UNet：基于Mamba的轻量级网络，仅包含1M参数，比最新的基于Transformer的架构参数减少了99%以上，并且计算负载显著较低。在2D和3D分割任务中，LightM-UNet实现了最先进的性能。
Mamba作为轻量级策略：该研究首次尝试将Mamba作为轻量级策略应用于UNet，以增强UNet对全局信息的理解能力。

方法：论文提出了一种结合Mamba架构和U-Net的半监督学习框架，名为Semi-Mamba-UNet。这个模型旨在提高医学图像分割的效率和准确性，尤其是在标注数据有限的情况下。

创新点：

对医学图像分割中的Mamba架构进行了探索，这是首次使用有限标注探索Mamba架构。该架构通过使用U型编码器解码器网络中的Visual Mamba作为网络块，提高了医学图像分割的性能。
引入了像素级对比学习策略，结合半监督学习，使用有标签和无标签数据最大限度地提高了特征学习能力。通过引入交叉监督学习，通过伪标签的方式增强了网络训练中无标签数据的可用性。

方法：论文提出了一个用于医学图像分割的多尺度视觉状态空间模型（MSVM-UNet）。多尺度视觉Mamba UNet通过多尺度深度卷积的设计，不仅可以捕捉各种尺度的信息并模拟所有方向上的长程依赖性，还可以保持计算效率和可接受的参数数量。

创新点：

通过在VSS块中引入多尺度卷积，可以更有效地捕捉和聚合来自VMamba编码器的分层特征表示，并更好地处理2D视觉数据。
通过同时集成空间和通道信息，LKPE层实现了更高效的特征图上采样。使用我们提出的模块替换解码器中的原始模块后，显著改善了性能，只增加了最小的计算开销和参数数量。

方法：论文提出了一个利用Mamba和Transformer的混合机制，构建了一个U型网络架构模型，用于医学图像分割任务。该模型通过精心设计，增强了其对视觉特征的高效建模能力，特别是在捕获长距离空间依赖方面表现出色。

创新点：

提出了一种新型的混合模型HMT-UNet，该模型结合了状态空间模型中的Mamba和Transformer的架构。
设计了MambaVision块和Mixer，这些块结合了MambaVision和Transformer的自注意力机制，通过在Mamba架构后端整合自注意力机制，显著提升了模型的建模能力。
引入了MSAA模块来进一步优化CNN编码器的输出特征，通过合并不同尺度的特征来增强解码器的能力。