論文の概要: LCM-UNet: Scale-Selective Mamba with Reparameterizable Multi-Basis Local Modeling for Lightweight Skin Lesion Segmentation

• arxiv url: http://arxiv.org/abs/2611.04409v1
• Date: Tue, 03 Nov 2026 06:47:33 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:58:24.586576
• Title: LCM-UNet: Scale-Selective Mamba with Reparameterizable Multi-Basis Local Modeling for Lightweight Skin Lesion Segmentation
• Title（参考訳）: LCM-UNet:軽量皮膚病変セグメンテーションのための多次元局所モデリングによるスケール選択型マンバ
• Abstract要約: LCM-UNetはそのネイティブ解像度ですべてのスキップを融合させ、双方向のMambaを入力解像度または粗い値の6分の1のステージに制限し、より微細なスケールで局所的な畳み込みを使用する。 LCM-UNetはISICテストセットで88.62%、89.73%、90.46%のDiceスコア、比較モデルでPH$2$を達成した。 これまでのレイテンシはGPU上でのみ測定されているため、LCM-UNetはリソース制約デプロイメントの候補となっている。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Accurate lesion segmentation underpins automated dermoscopic analysis: masks enable measurements of asymmetry, border and size. Deployment in primary care or on mobile devices requires a compact network. Existing ultra-light Mamba U-Nets offer global context, but global-modeling cost depends on each Mamba block's resolution, while their local branches rely on a single square kernel. We introduce LCM-UNet, a 33,474-parameter U-shaped network that fuses every skip at its native resolution, restricts bidirectional Mamba to stages at one-sixteenth of the input resolution or coarser, and uses local convolutions at finer scales. A multi-basis reparameterizable adapter augments each local branch during training with dilated, horizontal and vertical depthwise kernels, then folds them into the host kernel before inference. Each skip connection also learns a stage-specific gain. Nine networks were retrained on the official ISIC 2017 and ISIC 2018 partitions under a harmonized protocol, with PH$^2$ reserved for external validation and ablations run on a development split. LCM-UNet achieved Dice scores of 88.62%, 89.73% and 90.46% on ISIC 2017, ISIC 2018 and PH$^2$, respectively, ranking first on both ISIC test sets and second on PH$^2$ among the compared models. In the native-resolution host, removing Mamba from the one-eighth-resolution decoder stage eliminated 63% of Mamba operations, corresponding to 5.3% of all operations, with a Dice change of $-0.03$ percentage points. The adapter improved Dice by 0.48 percentage points over a single host kernel without adding deployed parameters or operations. With latency so far measured only on a GPU, LCM-UNet is a candidate for resource-constrained deployment.
• Abstract（参考訳）: 正確な病変のセグメンテーションは、自動皮膚内視鏡分析の基盤となる:マスクは非対称性、境界、サイズの測定を可能にする。 プライマリケアやモバイルデバイスにデプロイするには、コンパクトなネットワークが必要である。 既存のウルトラライトのMamba U-Netはグローバルなコンテキストを提供するが、グローバルなモデリングコストは各Mambaブロックの解像度に依存する。 LCM-UNetは33,474パラメータのU字型ネットワークで、各スキップをネイティブ解像度で融合し、入力解像度または粗い値の6分の1のステージに双方向のマンバを制限し、より微細なスケールで局所的な畳み込みを使用する。 マルチベイス再パラメータ化可能なアダプタは、拡張、水平、垂直の深さのカーネルでトレーニング中に各ローカルブランチを拡大し、推論の前にホストカーネルに折り畳む。 各スキップ接続はステージ固有のゲインも学習する。 9つのネットワークは、公式のISIC 2017とISIC 2018のパーティションで、調和したプロトコルで再訓練され、PH$^2$は外部の検証のために予約され、Ablationは開発分割で実行される。 LCM-UNetは、ISIC 2017で88.62%、89.73%、90.46%のDiceスコアを達成し、ISIC 2018とPH$2$でそれぞれ1位、PH$2$で2位となった。 ネイティブレゾリューションホストでは、128解像度デコーダステージからMambaを削除し、すべての操作の5.3%に対応するMamba操作の63%を排除した。 アダプタは、デプロイされたパラメータや操作を追加することなく、単一のホストカーネル上でDiceを0.48ポイント改善した。 これまでのレイテンシはGPU上でのみ測定されているため、LCM-UNetはリソース制約デプロイメントの候補となっている。

関連論文リスト

• SlimFormer++: Token Mixing Where It Matters for Efficient 3D Medical Image Segmentation [7.712710074580407]
  類似性誘導プルーニングはパラメータ数を39-75%削減し、平均Diceを0.4ポイント以下に減少させる。 SlimFormer++は最も高いDice (87.84%) と最も低いパラメータを持つHD95 (6.50 mm) を達成する。 これらの結果は,ボリュームセグメンテーションにおける精度・効率トレードオフを改善するための設計戦略として,ステージアウェアトークンの混合を支援する。
  論文  参考訳（メタデータ） (2026-10-18T19:19:08Z)
• Detection is solved, delineation is not: what governs tooth segmentation on panoramic radiographs [0.3262230127283452]
  本研究は,42,142個の歯科用ポリゴンを含む1,422個のパノラマX線撮影装置を組み立てた。 入力解像度、アーキテクチャ、解剖学的事前を単一の評価プロトコルで分離するために使用する。
  論文  参考訳（メタデータ） (2026-09-18T11:08:02Z)
• Open ultrasound foundation model for robust segmentation and clinical measurement across heterogeneous settings [66.3653308198376]
  SonoCorpusは、24の臨床応用と17の国にまたがる53のパブリックデータセットから、456,963のイメージと1,626,085のエキスパートマスクを統合するオープンリソースである。 SonoBaseは、事前にトレーニングされたインタラクティブセグメンテーション基盤モデルである。
  論文  参考訳（メタデータ） (2026-09-16T15:34:21Z)
• DAMamba-UNet3D: A Parameter-Efficient Mamba State Space U-Net with Dynamic Adaptive Scan for 3D Medical Image Segmentation [1.9414157088543738]
  DAMamba-UNet3Dは、エンコーダステージE2-E4で3次元DASブロックを統合するハイブリッドエンコーダデコーダである。 BraTS 2020の5倍のクロスバリデーションでは、DAMamba-UNet3DはDice 0.815 +/-0.013をSegMambaよりも13倍低いパラメータで達成している。
  論文  参考訳（メタデータ） (2026-07-21T16:42:48Z)
• Claw-SWE-Bench: A Benchmark for Evaluating OpenClaw-style Agent Harnesses on Coding Tasks [75.92297551160692]
  OpenClawのような汎用エージェントは、自律的なツールユーザとしてますます利用されている。 マルチリンガルなSWEベンチマークおよびアダプタプロトコルであるClaw-SWE-Benchを紹介する。 Claw-SWE-Benchは、SWEスタイルの符号化エージェント評価の第一級軸として、ハーネスとコスト会計を扱う。
  論文  参考訳（メタデータ） (2026-06-10T17:16:23Z)
• MambaDSF: Multi-Scale SSM with Dilated Feature Fusion for Sonar Small Target Detection [8.504127970224703]
  小さいターゲットは、画素のカバー不足、音響コントラストの低さ、画像範囲のあいまいさのため、検出が難しいままである。 この手紙は、これらの制限に対処するハイブリッドフレームワークであるMamba Dilated-Scale Fusion (MambaDSF)を提案する。 MambaDSFはUATDの前向きソナーのベンチマークで91.5%のmAP50を達成し、28.7百万のパラメータを持つ。
  論文  参考訳（メタデータ） (2026-05-24T08:14:19Z)
• MambaLiteUNet: Cross-Gated Adaptive Feature Fusion for Robust Skin Lesion Segmentation [15.93793665080762]
  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。
  論文  参考訳（メタデータ） (2026-04-22T07:33:14Z)
• Scaling DoRA: High-Rank Adaptation via Factored Norms and Fused Kernels [83.99688944263843]
  DoRA(Weight-De Low-Rank Adaptation)は、LoRAを方向から分離することで拡張する。 d_in = 8192 とランク r = 384 では、単一のモジュールのノルムは bf16 で512MB の過渡的なワーキングメモリを必要とする。 因子ノルムは、二乗ノルムを O(d_out r + r2) 中間体を通して計算可能な基底、交差、およびグラマー項に分解し、密積を除去する。
  論文  参考訳（メタデータ） (2026-03-23T17:57:24Z)
• MOBIUS: Big-to-Mobile Universal Instance Segmentation via Multi-modal Bottleneck Fusion and Calibrated Decoder Pruning [91.90342432541138]
  モデルサイズとトレーニングデータのスケールアップには、インスタンスレベルの知覚のための高度な基盤モデルがある。 資源制約されたプラットフォームにおける高い計算コスト制限。 我々は,高性能コンピューティングプラットフォームとモバイルデバイスの両方において,効率的なセグメンテーションのための新しいベンチマークを導入する。
  論文  参考訳（メタデータ） (2025-10-16T18:00:00Z)
• Mixture-of-Mamba: Enhancing Multi-Modal State-Space Models with Modality-Aware Sparsity [56.0251572416922]
  状態空間モデル(SSM)は、シーケンシャルモデリングのためのトランスフォーマーの効率的な代替手段として登場した。 本稿では,Mambaブロックのモダリティ特異的パラメータ化により,モダリティを意識した疎結合を実現する新しいSSMアーキテクチャを提案する。 マルチモーダル事前学習環境におけるMixture-of-Mambaの評価を行った。
  論文  参考訳（メタデータ） (2025-01-27T18:35:05Z)
• Focal Modulation Networks [105.93086472906765]
  自己注意(SA)は完全に焦点変調ネットワーク(FocalNet)に置き換えられる ImageNet-1Kの精度は82.3%、83.9%である。 FocalNetsは下流のタスクに転送する際、顕著な優位性を示す。
  論文  参考訳（メタデータ） (2022-03-22T17:54:50Z)

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。