Weak-Mamba-UNet 论文学习笔记

一、总结

这篇文献是关于一种名为Weak-Mamba-UNet的新型弱监督学习（WSL）框架，它结合了卷积神经网络（CNN）、视觉变换器（ViT）和最新的视觉Mamba（VMamba）架构，用于基于涂鸦（scribble-based）的医学图像分割。

在阅读论文过程中又去重温了一下以上3个架构的原理及实现过程，推荐阅读（1）卷积神经网络（CNN）详细介绍及其原理详解-CSDN博客文章浏览阅读10w+次，点赞1.8k次，收藏7.6k次。本文详细介绍了卷积神经网络（CNN）的基础概念和工作原理，包括输入层、卷积层、池化层、全连接层和输出层的作用。通过举例和图解，阐述了CNN如何处理图像，提取特征，以及如何进行手写数字识别。此外，讨论了池化层的平移不变性和防止过拟合的重要性。https://blog.csdn.net/IronmanJay/article/details/128689946
（2）ViT（Visual Transformer）最通俗易懂的讲解（有代码）-CSDN博客文章浏览阅读1.5k次，点赞18次，收藏33次。深入浅出，通俗易懂理解ViT(Vision Transformer)网络模型和代码。本文详细介绍了Google在ICLR上发布的VIT模型，它是首个在计算机视觉领域超越CNN和RNN的Transformer模型。文章重点阐述了VIT的结构，包括图像特征嵌入、Transformer编码器（含多头注意力机制）、MLP分类模块，以及模型的亮点和整体架构。_visual transformerhttps://blog.csdn.net/2301_77653781/article/details/142360725?fromshare=blogdetail&sharetype=blogdetail&sharerId=142360725&sharerefer=PC&sharesource=2201_76036122&sharefrom=from_link

1. 背景与动机：
   - 医学图像分割对于医疗图像分析和治疗规划至关重要。
   - UNet，因其对称的U形编码器-解码器架构和跳跃连接而成为基础的分割网络。
   - 深度学习方法的有效性往往依赖于大量准确标记的数据集，这在医学图像分析领域难以获得。

2. Weak-Mamba-UNet框架：
   - 该框架结合了三种不同的架构：基于CNN的UNet、基于Swin Transformer的SwinUNet和基于VMamba的Mamba-UNet。具体来说，UNet采用了一个具有3×3内核的2层CNN，并执行了4级下采样和上采样。swing - unet使用2个Swin Transformer模块，