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

UNet及其变种已被广泛应用于医学图像分割。然而，这些模型，特别是基于Transformer架构的模型，由于其大量的参数和计算负荷，使它们不适合移动健康应用。最近，以Mamba为代表的状态空间模型（SSMs）已成为CNN和Transformer架构的竞争对手。基于此，我们采用Mamba作为UNet中CNN和Transformer的轻量级替代品，旨在解决在真实医疗环境中由计算资源限制引起的挑战。为此，我们引入了轻量级Mamba UNet（LightM-UNet），将Mamba和UNet集成在一个轻量级框架中。具体而言，LightM-UNet以纯Mamba方式利用残差视觉Mamba层提取深层语义特征和建模长程空间依赖性，具有线性计算复杂度。在两个真实的2D/3D数据集上进行的广泛实验表明，LightM-UNet超过了现有的最先进文献。值得注意的是，与著名的nnU-Net相比，LightM-UNet在大幅降低参数和计算成本的同时实现了更优秀的分割性能，分别降低了116倍和21倍。这凸显了Mamba在促进模型轻量化方面的潜力。我们的代码实现可在https://github.com/MrBlankness/LightM-UNet上公开获取。

本论文旨在解决在医疗领域中使用UNet和Transformer等模型时面临的大量参数和计算资源限制的问题。

论文提出了一种轻量级的UNet模型，称为LightM-UNet，使用轻量级的State Space Models（SSMs）Mamba代替CNN和Transformer，以提取深层语义特征和建模长程空间依赖关系，具有线性计算复杂度。

论文在两个真实的2D/3D数据集上进行了广泛的实验，表明LightM-UNet优于现有的最先进文献。与nnU-Net相比，LightM-UNet在显著减少参数和计算成本的情况下实现了优越的分割性能，分别降低了116倍和21倍。该论文的代码实现已公开在GitHub上。

在医疗图像分割领域，UNet和其变种已经得到广泛应用。最近，基于Transformer架构的模型也受到关注。