論文の概要: UltraLBM-UNet: Ultralight Bidirectional Mamba-based Model for Skin Lesion Segmentation

• arxiv url: http://arxiv.org/abs/2512.21584v1
• Date: Thu, 25 Dec 2025 09:05:02 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-29 12:02:58.518582
• Title: UltraLBM-UNet: Ultralight Bidirectional Mamba-based Model for Skin Lesion Segmentation
• Title（参考訳）: UltraLBM-UNet:Ultralight Bidirectional Mamba-based Model for Skinsion Segmentation
• Authors: Linxuan Fan, Juntao Jiang, Weixuan Liu, Zhucun Xue, Jiajun Lv, Jiangning Zhang, Yong Liu,
• Abstract要約: このUltraLBM-UNetは,マルチブランチ局所的特徴認識と双方向マンバに基づくグローバルモデリング機構を統合した軽量なU-Net変種である。 提案モデルでは, 既存の軽量およびMambaのパラメータが0.034M, 0.060GFLOPよりも優れ, 常に最先端のセグメンテーション精度を実現している。 これらの結果は、正確な、堅牢な病変解析が不可欠である、ポイント・オブ・ケア展開におけるUltraLBM-UNetの適合性を強調した。
• 参考スコア（独自算出の注目度）: 34.50069854212544
• License:
• Abstract: Skin lesion segmentation is a crucial step in dermatology for guiding clinical decision-making. However, existing methods for accurate, robust, and resource-efficient lesion analysis have limitations, including low performance and high computational complexity. To address these limitations, we propose UltraLBM-UNet, a lightweight U-Net variant that integrates a bidirectional Mamba-based global modeling mechanism with multi-branch local feature perception. The proposed architecture integrates efficient local feature injection with bidirectional state-space modeling, enabling richer contextual interaction across spatial dimensions while maintaining computational compactness suitable for point-of-care deployment. Extensive experiments on the ISIC 2017, ISIC 2018, and PH2 datasets demonstrate that our model consistently achieves state-of-the-art segmentation accuracy, outperforming existing lightweight and Mamba counterparts with only 0.034M parameters and 0.060 GFLOPs. In addition, we introduce a hybrid knowledge distillation strategy to train an ultra-compact student model, where the distilled variant UltraLBM-UNet-T, with only 0.011M parameters and 0.019 GFLOPs, achieves competitive segmentation performance. These results highlight the suitability of UltraLBM-UNet for point-of-care deployment, where accurate and robust lesion analyses are essential. The source code is publicly available at https://github.com/LinLinLin-X/UltraLBM-UNet.
• Abstract（参考訳）: 皮膚病変のセグメンテーションは、臨床意思決定を導くための皮膚科における重要なステップである。 しかし、正確で堅牢で資源効率のよい病変解析のための既存の手法には、低性能と高い計算複雑性を含む制限がある。 これらの制約に対処するため,UltraLBM-UNetを提案する。UltraLBM-UNetは,マルチブランチ局所的特徴認識と双方向マンバに基づくグローバルモデリング機構を統合した軽量なU-Netバリアントである。 提案アーキテクチャは、効率的な局所的特徴注入と双方向状態空間モデリングを統合し、空間次元間のよりリッチなコンテキスト相互作用を実現するとともに、ポイント・オブ・ケア展開に適した計算コンパクト性を維持する。 ISIC 2017、ISIC 2018、PH2データセットの大規模な実験により、我々のモデルは最先端のセグメンテーション精度を一貫して達成し、既存の軽量とMambaのセグメンテーションを0.034Mパラメータと0.060GFLOPで上回ります。 さらに,超コンパクトな学生モデルを構築するためのハイブリッドな知識蒸留戦略を導入する。このモデルでは,蒸留された変種であるUltraLBM-UNet-Tが0.011Mパラメータと0.019GFLOPしか持たず,競争力のあるセグメンテーション性能を実現する。 これらの結果は, 正確な, 堅牢な病変解析が不可欠である, ポイント・オブ・ケア展開におけるUltraLBM-UNetの適合性を強調した。 ソースコードはhttps://github.com/LinLinLin-X/UltraLBM-UNetで公開されている。

関連論文リスト

• MMRINet: Efficient Mamba-Based Segmentation with Dual-Path Refinement for Low-Resource MRI Analysis [2.6992900249585765]
  MMRINetは、二次複雑度注意を線形複雑度Mamba状態空間モデルに置き換える軽量アーキテクチャである。 on the BraTS-Lighthouse SSA 2025, our model to strong volumetric performance with a average Dice score (0.752) and a average HD95 of (12.23) with only 2.5M parameters。
  論文  参考訳（メタデータ） (2025-11-15T12:57:25Z)
• VesSAM: Efficient Multi-Prompting for Segmenting Complex Vessel [68.24765319399286]
  本稿では,2次元血管セグメンテーションに適した,強力で効率的なフレームワークであるVesSAMを提案する。 VesSAMは、(1)局所的なテクスチャ機能を強化する畳み込みアダプタ、(2)解剖学的プロンプトを融合するマルチプロンプトエンコーダ、(3)ジャグアーティファクトを減らす軽量マスクデコーダを統合する。 VesSAMは、最先端のPEFTベースのSAMを10%以上のDiceと13%のIoUで一貫して上回っている。
  論文  参考訳（メタデータ） (2025-11-02T15:47:05Z)
• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• DyGLNet: Hybrid Global-Local Feature Fusion with Dynamic Upsampling for Medical Image Segmentation [8.283216541594284]
  DyGLNetは,グローバル機能とローカル機能を動的アップサンプリング機構で融合することにより,効率的かつ正確なセグメンテーションを実現する。 7つの公開データセットの実験では、DyGLNetが既存のメソッドより優れていることが示されている。 DyGLNetは、より少ない複雑さを示し、臨床医用画像解析のための効率的で信頼性の高いソリューションを可能にしている。
  論文  参考訳（メタデータ） (2025-09-16T07:24:20Z)
• Exploring Non-Local Spatial-Angular Correlations with a Hybrid Mamba-Transformer Framework for Light Field Super-Resolution [68.54692184478462]
  マンバ法は光画像超解像の計算コストと性能を最適化する大きな可能性を示している。 本稿では,より効率的かつ正確な特徴抽出を実現するために,Subspace Simple Mamba Block (SSMB) を設計したSubspace Simple Scanning (Sub-SS) 戦略を提案する。 また,空間角・異質情報の保存における状態空間の制限に対処する二段階モデリング手法を提案する。
  論文  参考訳（メタデータ） (2025-09-05T05:50:38Z)
• Routing Mamba: Scaling State Space Models with Mixture-of-Experts Projection [88.47928738482719]
  線形状態空間モデル(SSM)は、シーケンスモデリングにおいて顕著なパフォーマンス向上を提供する。 Mambaのような最近の進歩は、入力依存のゲーティングとハードウェア対応の実装により、SSMをさらに強化している。 本稿では,線形射影の専門家による疎混合を用いてSSMパラメータをスケールする新しい手法であるRoM(Roing Mamba)を紹介する。
  論文  参考訳（メタデータ） (2025-06-22T19:26:55Z)
• SAMba-UNet: SAM2-Mamba UNet for Cardiac MRI in Medical Robotic Perception [34.79269228659671]
  自動心臓MRI領域における病理的特徴抽出のための新しいデュアルエンコーダアーキテクチャSAMba-UNetを提案する。 SAMba-UNet は 0.9103 と HD95 の 1.0859 mm を達成し、特に右心室のような挑戦的な構造のために境界の局在を改善した。 その頑丈で高忠実なセグメンテーションマップは、インテリジェントな医療・外科ロボットシステムにおける知覚モジュールとして直接適用できる。
  論文  参考訳（メタデータ） (2025-05-22T06:57:03Z)
• MambaU-Lite: A Lightweight Model based on Mamba and Integrated Channel-Spatial Attention for Skin Lesion Segmentation [1.8076316708864304]
  皮膚異常の早期発見は、皮膚がんの診断と治療において重要な役割を担っている。 ハイパフォーマンスを実現することは、高解像度画像が必要であり、個々の病変の境界が不明瞭であることから、依然として大きな課題である。 我々は,400K以上のパラメータと1Gフロップ以上の計算コストを備えた,MambaU-Liteと呼ばれる新しい軽量モデルを導入する。
  論文  参考訳（メタデータ） (2024-12-02T11:49:49Z)
• DB-LLM: Accurate Dual-Binarization for Efficient LLMs [83.70686728471547]
  大規模言語モデル(LLM)は自然言語処理の分野を著しく進歩させてきた。 既存の超低ビット量子化は、常に深刻な精度低下を引き起こす。 本稿では,LLM,すなわちDB-LLMのための新しいデュアルバイナライズ手法を提案する。
  論文  参考訳（メタデータ） (2024-02-19T09:04:30Z)
• MALUNet: A Multi-Attention and Light-weight UNet for Skin Lesion Segmentation [13.456935850832565]
  そこで本研究では,皮膚病変のセグメンテーションにおいて,パラメータと計算複雑性の最小コストで競合性能を実現する軽量モデルを提案する。 我々は、4つのモジュールをU字型アーキテクチャと組み合わせ、MALUNetと呼ばれる軽量な医用画像分割モデルを得る。 UNetと比較して、我々のモデルはmIoUとDSCのメトリクスをそれぞれ2.39%、1.49%改善し、パラメータ数と計算複雑性の44倍と166倍削減した。
  論文  参考訳（メタデータ） (2022-11-03T13:19:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。