基于附加輔助信息不對稱模塊的LA-UMamba模型研究（英文）

摘要： 深度學(xué)習(xí)技術(shù)正在徹底改變醫(yī)學(xué)圖像分割的發(fā)展。隨著Transformer模型的發(fā)展，特別是ViT和Swin-Transformer的發(fā)展，通過自我關(guān)注機制增強了模型的遠(yuǎn)程建模能力，從而實現(xiàn)了更好的分割性能。此外，Transformer的高計算成本也促使研究人員探索更高效的模型以減少模型參數(shù)，如基于狀態(tài)空間建模（SSM）的Mamba模型。本研究提出了一種新型非對稱模型——LA-UM... （共11頁）