【报告内容】

汇报人： 陈弘毅

汇报单位：福建理工大学

主题：LightM-UNet: Mamba Assists in Lightweight UNet for Medical Image Segmentation

1、Introduction

2、Method

3、Experiments

4、Conclusion

【报告总结】

1、待解决的问题描述

随着深度学习技术在医学图像分割领域的快速发展，U-Net及其改进模型在器官和病灶自动分割任务中取得了良好的效果。然而，随着模型规模不断扩大，网络参数量和计算复杂度也逐渐增加，使其难以部署在计算资源有限的医疗设备和实际临床应用环境中。因此，轻量化医学图像分割成为当前研究的重要方向，其目标是在降低模型计算成本和参数规模的同时，保持较高的分割精度。

现有轻量化分割网络通常通过减少网络深度、降低通道数量或采用轻量卷积操作来降低计算开销，但这种方式容易导致模型特征表达能力下降。一方面，卷积操作主要关注局部区域信息，有限的感受野使网络难以有效捕获医学图像中的长距离空间依赖关系；另一方面，模型压缩会造成部分空间细节信息丢失，使小目标病灶和边界区域难以准确恢复。此外，3D医学图像包含丰富的空间维度信息，相比2D图像具有更高的计算和存储需求，进一步限制了模型在实际场景中的应用。

2.相关创新方案

本文提出了一种基于Mamba的轻量化医学图像分割网络LightM-UNet。该网络在传统U-Net编码器-解码器结构基础上，引入视觉状态空间模型（Visual State Space Module, VSS Module），利用Mamba高效的长距离依赖建模能力，在保持较低计算复杂度的同时增强网络的全局特征表达能力。相比Transformer依赖自注意力机制带来的较高计算成本，Mamba基于状态空间模型，能够以更低的计算复杂度实现全局信息建模，更适合应用于轻量化医学图像分割任务。

在网络结构方面，LightM-UNet设计了残差视觉状态空间模块（Residual Visual Mamba Layer, RVM Layer）。该模块通过结合深度可分离卷积（DWConv）和VSS Module，实现局部空间特征与全局上下文信息的融合。其中，DWConv负责提取医学图像中的局部纹理和空间细节信息，VSS Module通过Mamba机制捕获长距离空间依赖关系，从而增强模型对复杂组织结构和病灶区域的理解能力。同时，RVM Layer中的调整因子分支能够对特征进行动态调节，提高关键区域的响应能力；残差连接则能够保留输入特征信息，提升网络训练稳定性和特征传递能力。

在VSS Module中，作者采用双分支结构实现高效特征建模。其中，SSM分支通过Linear映射、DWConv、SiLU激活以及状态空间模型完成全局特征提取，利用Mamba捕获长距离空间关系；另一分支通过Linear和SiLU生成自适应调整因子，对SSM输出特征进行动态调节。两个分支通过逐元素乘法进行融合，使模型能够在全局语义信息和重要区域特征之间实现有效平衡。

为了进一步降低模型计算开销，本文设计了轻量化解码器结构。解码阶段采用Interpolation模块进行特征上采样，通过无参数插值操作恢复空间分辨率，避免传统反卷积带来的额外参数和计算负担。随后结合DWConv对融合后的特征进行优化，在保持较低计算复杂度的同时恢复医学图像中的空间细节信息，提高分割结果的完整性。

3.实验总结

作者分别在LiTS数据集和Montgomery&Shenzhen数据集上验证LightM-UNet的有效性。其中，LiTS数据集包含三维腹部CT扫描数据，用于肝脏及肝脏肿瘤分割任务，属于背景、肝脏和肿瘤的器官-病灶多类别分割任务；Montgomery&Shenzhen数据集包含二维胸部X射线图像，用于肺部区域分割任务，属于背景与肺部区域的二分类分割任务。实验结果表明，LightM-UNet能够在降低参数量和计算复杂度的情况下保持较高的分割性能，验证了其在2D和3D医学图像分割任务中的有效性。

消融实验进一步验证了LightM-UNet各个模块的有效性。通过移除Adjustment factors、Residual connections以及替换VSS Module等实验，结果表明，Mamba状态空间建模、自适应特征调节机制以及残差连接均能够提升模型分割性能。其中，Adjustment factors能够增强关键区域特征响应，Residual connections能够保留原始输入信息，而VSS Module能够有效提升模型对全局空间依赖关系的建模能力。

总体而言，LightM-UNet通过将轻量卷积、Mamba状态空间模型以及高效解码结构相结合，在保证模型轻量化的同时提升了医学图像分割性能。该方法有效解决了轻量化网络中全局信息建模不足、特征表达能力下降以及3D计算成本高等问题，为医学图像分割模型在资源受限环境中的高效部署提供了一种新的解决方案。

报告时间：2026年08月07日19:30

腾讯会议：311-5999-8176

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)