VM-UNet 在 ARCADE 数据集上的医学图像分割完整复现指南
摘要
VM-UNet（Vision Mamba UNet）是首个基于纯状态空间模型（SSM）构建的医学图像分割模型，以视觉状态空间（VSS）块为核心构建非对称编解码器结构，在保持线性计算复杂度的同时增强长距离依赖建模能力。本文旨在系统地阐述VM-UNet模型的理论基础与实现细节，并以ARCADE（冠状动脉血管造影图像分割）数据集为目标进行完整复现，涵盖从环境配置、数据处理、模型构建到训练评估的全流程。同时，本文将对复现过程中可能遇到的各类问题进行深入分析，并提供相应的解决方案，旨在为研究人员在医学图像分割任务中应用VM-UNet提供全面的技术参考。
第一部分：VM-UNet 理论基础与研究背景
1.1 医学图像分割的发展脉络
医学图像分割是医学影像分析中的一项关键技术，旨在将医学图像中的组织、病变或解剖结构准确地分离和标记出来，为医生提供关键的定量和定性信息，在临床量化、疾病诊断、治疗计划等实际应用中发挥着至关重要的作用。
在深度学习兴起之前，医学图像分割主要依赖于传统图像处理方法，如基于阈值的分割、区域生长算法、活动轮廓模型（Snake）以及图割方法等。这些方法在一定程度上解决了特定场景下的分割需求，但普遍存在对初始化敏感、参数调节困难、泛化能力不足等问题，难以应对医学图像中普遍存在的噪声干扰、灰度不均匀以及解剖结构变异等复杂情况。
自2015年U-Net提出以来，基于卷积神经网络（CNN）的编码器-解
