論文の概要: MambaLiteUNet: Cross-Gated Adaptive Feature Fusion for Robust Skin Lesion Segmentation

• arxiv url: http://arxiv.org/abs/2604.20286v1
• Date: Wed, 22 Apr 2026 07:33:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:11.01797
• Title: MambaLiteUNet: Cross-Gated Adaptive Feature Fusion for Robust Skin Lesion Segmentation
• Title（参考訳）: MambaLiteUNet:ロバスト皮膚病変分割のためのクロスゲート適応的特徴フュージョン
• Authors: Md Maklachur Rahman, Soon Ki Jung, Tracy Hammond,
• Abstract要約: MambaLiteUNetは、Mamba状態空間モデリングをU-Netアーキテクチャに統合する、コンパクトで堅牢なセグメンテーションフレームワークである。 MambaLiteUNetは精度と効率のバランスを保ち、皮膚画像セグメンテーションの競争力と実用的なソリューションとなる。
• 参考スコア（独自算出の注目度）: 15.93793665080762
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent segmentation models have demonstrated promising efficiency by aggressively reducing parameter counts and computational complexity. However, these models often struggle to accurately delineate fine lesion boundaries and texture patterns essential for early skin cancer diagnosis and treatment planning. In this paper, we propose MambaLiteUNet, a compact yet robust segmentation framework that integrates Mamba state space modeling into a U-Net architecture, along with three key modules: Adaptive Multi-Branch Mamba Feature Fusion (AMF), Local-Global Feature Mixing (LGFM), and Cross-Gated Attention (CGA). These modules are designed to enhance local-global feature interaction, preserve spatial details, and improve the quality of skip connections. MambaLiteUNet achieves an average IoU of 87.12% and average Dice score of 93.09% across ISIC2017, ISIC2018, HAM10000, and PH2 benchmarks, outperforming state-of-the-art models. Compared to U-Net, our model improves average IoU and Dice by 7.72 and 4.61 points, respectively, while reducing parameters by 93.6% and GFLOPs by 97.6%. Additionally, in domain generalization with six unseen lesion categories, MambaLiteUNet achieves 77.61% IoU and 87.23% Dice, performing best among all evaluated models. Our extensive experiments demonstrate that MambaLiteUNet achieves a strong balance between accuracy and efficiency, making it a competitive and practical solution for dermatological image segmentation. Our code is publicly available at: https://github.com/maklachur/MambaLiteUNet.
• Abstract（参考訳）: 最近のセグメンテーションモデルは、パラメータ数と計算複雑性を積極的に減らし、有望な効率を示した。 しかしながら、これらのモデルはしばしば早期皮膚がんの診断と治療計画に不可欠な微細な病変境界とテクスチャパターンを正確に記述するのに苦労する。 本稿では,Mamba状態空間モデリングをU-Netアーキテクチャに統合するコンパクトかつ堅牢なセグメンテーションフレームワークであるMambaLiteUNetと,適応型マルチブランチマンバ特徴融合(AMF),ローカルグローバル特徴混合(LGFM),クロスゲート注意(CGA)の3つの主要なモジュールを提案する。 これらのモジュールは、ローカル・グローバルな特徴相互作用を強化し、空間的詳細を保存し、スキップ接続の品質を向上させるように設計されている。 MambaLiteUNetはISIC2017、ISIC2018、HAM10000、PH2ベンチマークにおいて平均IoU87.12%、平均Diceスコア93.09%を達成し、最先端モデルを上回っている。 U-Netと比較して、我々のモデルは平均IoUとDiceをそれぞれ7.72ポイント、Diceを4.61ポイント改善し、パラメータを93.6%、GFLOPを97.6%削減した。 さらに、6つの病変カテゴリを持つドメインの一般化において、MambaLiteUNetは77.61%のIoUと87.23%のDiceを達成した。 我々は,MambaLiteUNetが精度と効率のバランスを保ち,皮膚画像セグメンテーションの競争的で実用的なソリューションであることを示した。 私たちのコードは、https://github.com/maklachur/MambaLiteUNetで公開されています。

関連論文リスト

• PanFoMa: A Lightweight Foundation Model and Benchmark for Pan-Cancer [54.958921946378304]
  トランスフォーマーと状態空間モデルの強みを組み合わせた軽量ハイブリッドニューラルネットワークであるPanFoMaを紹介する。 PanFoMaはフロントエンドのローカルコンテキストエンコーダと共有自己認識層から構成され、複雑で秩序に依存しない遺伝子相互作用をキャプチャする。 また,350万以上の高品質な細胞を含む大規模パンキャンサー単細胞ベンチマークPanFoMaBenchを構築した。
  論文  参考訳（メタデータ） (2025-12-02T08:31:31Z)
• 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)
• 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)
• Simple is what you need for efficient and accurate medical image segmentation [7.2109224546543675]
  本稿では,スケーラブルな超軽量医用画像分割モデルSimpleUNetを提案する。 記録破りの16KBパラメータ設定により、SimpleUNetはLBUNetや他の軽量ベンチマークを上回っている。 0.67MBの派生型は、より優れた効率(8.60 GFLOPs)と精度を実現し、マルチセンターの乳房病変のデータセットの平均DSC/IoUは85.76%/75.60%に達した。
  論文  参考訳（メタデータ） (2025-06-16T12:31:48Z)
• 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)
• MedSegMamba: 3D CNN-Mamba Hybrid Architecture for Brain Segmentation [15.514511820130474]
  我々は皮質下脳分割のための3DパッチベースのハイブリッドCNN-Mambaモデルを開発した。 モデルの性能をいくつかのベンチマークで検証した。
  論文  参考訳（メタデータ） (2024-09-12T02:19:19Z)
• LaMamba-Diff: Linear-Time High-Fidelity Diffusion Models Based on Local Attention and Mamba [54.85262314960038]
  局所的意図的マンバブロックは、大域的コンテキストと局所的詳細の両方を線形複雑性でキャプチャする。 このモデルは, 256x256の解像度で, ImageNet上の様々なモデルスケールでDiTの性能を上回り, 優れたスケーラビリティを示す。 ImageNet 256x256 と 512x512 の最先端拡散モデルと比較すると,最大 62% GFLOP の削減など,我々の最大のモデルには顕著な利点がある。
  論文  参考訳（メタデータ） (2024-08-05T16:39:39Z)
• GroupMamba: Efficient Group-Based Visual State Space Model [66.35608254724566]
  状態空間モデル(SSM)は、最近、四次計算の複雑さで長距離依存を捉えることを約束している。 しかし、純粋にSSMベースのモデルは、コンピュータビジョンタスクにおける安定性と最先端の性能を達成するために重要な課題に直面している。 本稿では,コンピュータビジョンのためのSSMベースのモデルをスケールする上での課題,特に大規模モデルの不安定性と非効率性について論じる。
  論文  参考訳（メタデータ） (2024-07-18T17:59:58Z)

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。