H-vmunet: High-order Vision Mamba UNet for Medical Image Segmentation模型详解及代码复现

医学分割

在医学图像分割领域，基于卷积神经网络（CNN）和视觉Transformer（ViT）的变体模型已得到广泛应用。然而，CNN在处理长序列信息时存在局限性，而ViT对局部特征信息的敏感度较低。状态空间模型（SSMs）的出现为医学图像分割带来了新的可能性，特别是2D选择扫描（SS2D）技术。SS2D通过逐步减少操作中的冗余信息，提高了模型的适应性和效率。

医学图像分割的主要任务包括肝脏和肝脏肿瘤分割、脑和脑肿瘤分割、视盘分割、细胞分割、肺分割和肺结节检测等。这些任务面临着诸多挑战，如模糊、噪声、低对比度等，需要模型具备良好的鲁棒性和特征提取能力。

核心创新

H-vmunet模型的核心创新点在于其 高阶2D选择性扫描（SS2D）技术 ，该技术通过逐步减少操作中的冗余信息，同时保持优越的全局感受野并促进局部特征信息的学习，有效提高了模型的适应性和效率。

这种方法不仅克服了传统卷积神经网络（CNN）在处理长序列信息时的局限性，还增强了模型对局部特征的敏感度，为医学图像分割任务提供了更强大的特征表示能力。

整体架构

H-vmunet模型采用了创新