論文の概要: Patch-MoE Mamba: A Patch-Ordered Mixture-of-Experts State Space Architecture for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2605.17719v1
• Date: Mon, 18 May 2026 00:42:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:48.49809
• Title: Patch-MoE Mamba: A Patch-Ordered Mixture-of-Experts State Space Architecture for Medical Image Segmentation
• Title（参考訳）: Patch-MoE Mamba:医療画像セグメンテーションのためのPatch-Ordered Mixture-of-Experts State Space Architecture
• Authors: Diego Adame, Fabian Vazquez, Jose A. Nunez, Huimin Li, Jinghao Yang, Erik Enriquez, DongChul Kim, Haoteng Tang, Bin Fu, Pengfei Gu,
• Abstract要約: 医用画像セグメンテーションのためのパッチ順混合状態空間アーキテクチャである textitPatch-MoE Mamba を提案する。 マルチスケールのコンテキストをキャプチャしながら、局所的な空間的近傍を保存する階層的なパッチ順序走査機構を導入する。
• 参考スコア（独自算出の注目度）: 11.412362266277675
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: CNN- and Transformer-based architectures have achieved strong performance in medical image segmentation, but CNNs are limited in modeling long-range dependencies, while Transformers often suffer from quadratic computational and memory complexity. State space models, especially Mamba-based networks, offer an efficient alternative with linear sequence complexity. However, existing Mamba segmentation models still face two limitations: pixel-wise directional scanning can disrupt local 2D spatial structure, and simple summation-based fusion of scan directions cannot adapt well to diverse object sizes, shapes, and boundaries. To address these issues, we propose \textit{Patch-MoE Mamba}, a patch-ordered mixture-of-experts state space architecture for medical image segmentation. It introduces a hierarchical patch-ordered scanning mechanism that preserves local spatial neighborhoods while capturing multi-scale context, and an MoE-based directional fusion module that adaptively combines multiple Mamba scanner outputs using four directional experts, a learnable concatenation expert, and residual directional aggregation. Experiments on five public polyp segmentation benchmarks and the ISIC 2017/2018 skin lesion segmentation datasets demonstrate the effectiveness and generality of Patch-MoE Mamba.
• Abstract（参考訳）: CNNとTransformerベースのアーキテクチャは、医用画像セグメンテーションにおいて強力なパフォーマンスを実現しているが、CNNは長距離依存のモデリングに限られており、Transformerは2次計算とメモリの複雑さに悩まされることが多い。 状態空間モデル、特にマンバベースのネットワークは、線形シーケンスの複雑さを伴う効率的な代替手段を提供する。 しかし、既存のMambaセグメンテーションモデルは2つの制限に直面している: ピクセルワイド指向走査は局所的な2次元空間構造を妨害しうるし、単純な総和に基づくスキャン方向の融合は多様な物体のサイズ、形状、境界にうまく適応できない。 これらの問題に対処するため,医療画像セグメンテーションのためのパッチ順混合状態空間アーキテクチャである \textit{Patch-MoE Mamba} を提案する。 マルチスケールのコンテキストを捕捉しながら局所空間近傍を保存する階層的なパッチ順序走査機構と、複数のMambaスキャナ出力を適応的に結合するMoEベースの方向融合モジュールを4つの方向エキスパート、学習可能な連結エキスパート、および残留方向アグリゲーションで導入する。 5つのパブリックポリプセグメンテーションベンチマークとISIC 2017/2018の皮膚病変セグメンテーションデータセットの実験は、Patch-MoE Mambaの有効性と汎用性を示している。

関連論文リスト

• MambaVesselNet++: A Hybrid CNN-Mamba Architecture for Medical Image Segmentation [21.20366935690067]
  医用画像分割のためのハイブリッドCNN-MambaフレームワークであるMambaVesselNet++を提案する。 MambaVesselNet++は、ハイビジョンエンコーダ(Hi-Encoder)とバイフォーカスフュージョンデコーダ(BF-Decoder)で構成される。
  論文  参考訳（メタデータ） (2025-07-26T12:32:59Z)
• MatIR: A Hybrid Mamba-Transformer Image Restoration Model [95.17418386046054]
  そこで我々は,MatIRと呼ばれるMamba-Transformerハイブリッド画像復元モデルを提案する。 MatIRはTransformer層とMamba層のブロックをクロスサイクルして特徴を抽出する。 Mambaモジュールでは、4つのスキャンパスに沿って横断するImage Inpainting State Space (IRSS)モジュールを導入する。
  論文  参考訳（メタデータ） (2025-01-30T14:55:40Z)
• Spatial-Mamba: Effective Visual State Space Models via Structure-aware State Fusion [46.82975707531064]
  SSM(Selective State Space Model)は、1Dシーケンシャルデータにおける長距離依存関係のキャプチャに優れる。 本研究では,地域間直接接続を実現する新しいアプローチであるSpatial-Mambaを提案する。 画像分類,検出,セグメンテーションにおいて,空間マンバは,単一のスキャンであっても,最先端のSSMベースのモデルを達成したり,超えたりしていることを示す。
  論文  参考訳（メタデータ） (2024-10-19T12:56:58Z)
• MambaMIM: Pre-training Mamba with State Space Token Interpolation and its Application to Medical Image Segmentation [23.67774523461722]
  我々はMambaMIMと呼ばれる汎用的な事前学習フレームワークを提案する。 MambaMIMはマスキングシーケンス内の状態空間の因果関係を学習する。 我々は6.8KCTの大規模データセットでMambaMIMを事前訓練する。
  論文  参考訳（メタデータ） (2024-08-15T10:35:26Z)
• S$^2$Mamba: A Spatial-spectral State Space Model for Hyperspectral Image Classification [44.99672241508994]
  ハイパースペクトル画像(HSI)を用いた土地被覆解析は、空間分解能の低さと複雑なスペクトル情報のため、未解決の課題である。 ハイパースペクトル画像分類のための空間スペクトル状態空間モデルであるS$2$Mambaを提案する。
  論文  参考訳（メタデータ） (2024-04-28T15:12:56Z)
• MamMIL: Multiple Instance Learning for Whole Slide Images with State Space Models [56.37780601189795]
  本稿では,WSI分析のためのフレームワークMamMILを提案する。 私たちは各WSIを非指向グラフとして表現します。 マンバが1次元シーケンスしか処理できない問題に対処するために、トポロジ対応の走査機構を提案する。
  論文  参考訳（メタデータ） (2024-03-08T09:02:13Z)
• nnMamba: 3D Biomedical Image Segmentation, Classification and Landmark Detection with State Space Model [24.955052600683423]
  本稿では、CNNの強みとステートスペースシーケンスモデル(SSM)の高度な長距離モデリング機能を統合する新しいアーキテクチャであるnnMambaを紹介する。 6つのデータセットの実験では、3D画像のセグメンテーション、分類、ランドマーク検出など、一連の困難なタスクにおいて、nnMambaが最先端のメソッドよりも優れていることが示されている。
  論文  参考訳（メタデータ） (2024-02-05T21:28:47Z)

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。