MambaLiteUNet：クロスゲートによる適応的特徴融合で実現する頑健な皮膚病変セグメンテーション

要旨: 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量を積極的に削減することで、効率性に関して有望な成果を示してきました。しかし、これらのモデルはしばしば、早期の皮膚がん診断と治療計画に不可欠な微細な病変境界やテクスチャパターンを正確に描出することに苦戦します。本論文では、Mamba state space モデリングを U-Net アーキテクチャに統合した、コンパクトかつ頑健なセグメンテーションフレームワークである MambaLiteUNet を提案します。さらに、3つの主要モジュール：Adaptive Multi-Branch Mamba Feature Fusion (AMF)、Local-Global Feature Mixing (LGFM)、Cross-Gated Attention (CGA) を併せて導入します。これらのモジュールは、局所と大域の特徴間の相互作用を強化し、空間的詳細を保持し、スキップ接続の品質を向上させることを目的としています。MambaLiteUNet は、ISIC2017、ISIC2018、HAM10000、PH2 のベンチマークにおいて、平均 IoU 87.12% および平均 Dice 指標 93.09% を達成し、最先端モデルを上回ります。U-Net と比較すると、本モデルは平均 IoU と Dice をそれぞれ 7.72 および 4.61 ポイント改善しながら、パラメータを 93.6% 削減し、GFLOPs を 97.6% 削減しています。さらに、6つの未見の病変カテゴリに対するドメイン一般化では、MambaLiteUNet は 77.61% の IoU と 87.23% の Dice を達成し、評価したすべてのモデルの中で最良の性能を示します。大規模な実験により、MambaLiteUNet は精度と効率の間で強いバランスを実現しており、皮膚科領域の画像セグメンテーションにとって競争力があり実用的な解決策であることが示されます。コードは以下で公開されています：https://github.com/maklachur/MambaLiteUNet。