超轻型VM-UNet:并行视觉Mamba显著降低了皮肤病变细分的参数.
Renkai Wu1,2,3, Yinghao Liu4, Guochen Ning5
1Department of Geriatrics, Medical Center on Aging of Ruijin Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai 200025, China.
Patterns (New York, N.Y.)
|December 2, 2025
概括
本研究介绍了UltraLight Vision Mamba UNet (UltraLight VM-UNet),这是一个计算效率高的医疗图像细分模型. 它以最小的参数实现竞争性性能,非常适合移动医疗设备.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 传统的细分模型通常需要复杂的模块,限制它们在资源有限的环境中使用,如移动医疗设备.
- 像Mamba这样的状态空间模型正在成为传统CNN和变压器的有效替代品.
研究的目的:
- 为了探索Mamba中的参数影响,用于医疗图像细分.
- 开发一个适合移动医疗应用的计算效率高的细分模型.
主要方法:
- 提出了UltraLight Vision Mamba UNet (UltraLight VM-UNet) 架构. 这是一个非常简单的架构.
- 引入了并行视觉Mamba (PVM) 层,以实现高效的特征处理.
- 在三个公共皮肤病变细分数据集上评估了该模型.
主要成果:
- 超轻型VM-UNet实现了具有竞争力的细分性能.
- 该模型表现出极低的计算复杂性,只有0.049M参数和0.060 GFLOPs.
- PVM 层保持了性能,同时降低了计算负载.
结论:
- 超轻型VM-UNet为医疗图像细分提供了高效的解决方案.
- 拟议的PVM层有效地减少了计算复杂性,而不会牺牲性能.
- 该模型非常适合在具有有限计算资源的移动医疗设备上部署.
