MambaLiteUNet: Modello di Segmentazione Compatto per Lesioni Cutanee
Un team di ricercatori ha presentato MambaLiteUNet, un modello innovativo progettato per migliorare la segmentazione delle lesioni cutanee. Questo modello incorpora la modellazione dello spazio di stato Mamba all'interno di una struttura U-Net e presenta tre componenti principali: Adaptive Multi-Branch Mamba Feature Fusion, Local-Global Feature Mixing e Cross-Gated Attention. Questi elementi migliorano l'interazione tra caratteristiche locali e globali preservando i dettagli spaziali. MambaLiteUNet ha dimostrato prestazioni impressionanti, registrando un Intersection over Union (IoU) medio dell'87,12% e un punteggio Dice del 93,09% su vari dataset tra cui ISIC2017 e HAM10000, superando i modelli leader nel settore. La ricerca è disponibile su arXiv con ID 2604.20286.
Fatti principali
- MambaLiteUNet integra la modellazione dello spazio di stato Mamba nell'architettura U-Net.
- Include tre moduli: AMF, LGFM e CGA.
- Raggiunge un IoU medio dell'87,12% e un punteggio Dice del 93,09%.
- Testato sui benchmark ISIC2017, ISIC2018, HAM10000 e PH2.
- Supera i modelli all'avanguardia.
- Articolo pubblicato su arXiv con ID 2604.20286.
- Si concentra sulla segmentazione delle lesioni cutanee per la diagnosi precoce del cancro.
- Il modello è compatto con un numero ridotto di parametri.
Entità
Istituzioni
- arXiv