Les réseaux de neurones convolutifs (CNN) et les Transformers constituent les architectures les plus populaires pour la segmentation d’images biomédicales, mais les deux présentent une capacité limitée à traiter les dépendances à longue portée en raison de leur localité intrinsèque ou de leur complexité computationnelle. Pour relever ce défi, nous introduisons U-Mamba, un réseau généraliste dédié à la segmentation d’images biomédicales. Inspiré par les modèles de séquence à espace d’état (SSMs), une nouvelle famille de modèles profonds spécialisés dans la gestion des séquences longues, nous proposons un bloc hybride CNN-SSM qui combine la puissance d’extraction de caractéristiques locales des couches convolutives avec la capacité des SSMs à capturer des dépendances à longue portée. En outre, U-Mamba intègre un mécanisme d’auto-configuration, lui permettant de s’adapter automatiquement à divers jeux de données sans intervention manuelle. Nous menons des expériences approfondies sur quatre tâches diverses, incluant la segmentation des organes abdominaux en 3D à partir d’images CT et IRM, la segmentation d’instruments dans des images d’endoscopie, ainsi que la segmentation de cellules à partir d’images de microscopie. Les résultats montrent que U-Mamba surpasser les réseaux de segmentation basés sur les CNN et les Transformers d’avant-garde sur toutes les tâches. Cela ouvre de nouvelles perspectives pour une modélisation efficace des dépendances à longue portée dans l’analyse d’images biomédicales. Le code, les modèles et les données sont disponibles publiquement à l’adresse suivante : https://wanglab.ai/u-mamba.html.