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.
