MUCM-Net: A Mamba Powered UCM-Net for Skin Lesion Segmentation

皮肤病变分割对于早期皮肤癌的检测至关重要。从皮肤镜图像中自动分割的挑战包括颜色、纹理和模糊病变边界的伪影的变化。深度学习方法如卷积神经网络和U-Net在解决这些问题方面表现出了很好的前景。为了进一步帮助早期诊断，特别是在计算能力有限的移动设备上，我们提出了MUCM-Net。这个高效的模型结合了Mamba状态空间模型和我们的UCM-Net架构，以改进特征学习和分割。MUCM-Net的Mamba-UCM层经过优化，可用于移动部署，具有高精度和低计算需求。在ISIC数据集上进行测试，它在准确性和计算效率方面优于其他方法，使其成为在资源有限的环境中早期检测的可扩展工具。我们的MUCM-Net源代码可用于研究和合作，支持移动健康诊断和抗击皮肤癌的进步。为了促进领域内的可访问性和进一步研究，MUCM-Net源代码在https://github.com/chunyuyuan/MUCM-Net上提供。

本论文旨在解决皮肤病变分割的问题，特别是在色彩、纹理和边界不清晰的情况下，提出了一种高效的深度学习模型MUCM-Net，以便在计算资源有限的移动设备上实现早期皮肤癌的检测。

该论文提出了一种结合了Mamba状态空间模型和UCM-Net架构的深度学习模型MUCM-Net，通过优化Mamba-UCM层，实现了高准确性和低计算需求的平衡，从而提高了皮肤病变分割的性能。

论文使用ISIC数据集进行了实验，证明了MUCM-Net在准确性和计算效率方面的优越性。此外，该模型的源代码已经开源，可供研究和合作使用，支持移动健康诊断的进一步发展。

最近在皮肤病变分割领域的相关研究包括：1. Skin lesion segmentation using deep learning: A survey，2. Skin lesion segmentation using U-Net: A comparative study，3. Skin lesion segmentation using a hybrid deep learning approach。