UltraLBM-UNet: Ultralight Bidirectional Mamba-based Model for Skin Lesion Segmentation

📄 arXiv: 2512.21584v1 📥 PDF

作者: Linxuan Fan, Juntao Jiang, Weixuan Liu, Zhucun Xue, Jiajun Lv, Jiangning Zhang, Yong Liu

分类: cs.CV

发布日期: 2025-12-25

备注: 12 pages, 4 figures

🔗 代码/项目: GITHUB

💡 一句话要点

提出UltraLBM-UNet，用于资源受限场景下的高精度皮肤病灶分割

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 皮肤病灶分割 Mamba架构 轻量化网络 U-Net 知识蒸馏

📋 核心要点

  1. 现有皮肤病灶分割方法在精度、鲁棒性和资源效率上存在不足，难以满足临床需求。
  2. UltraLBM-UNet结合双向Mamba建模和多分支局部特征感知，实现全局上下文理解和局部细节捕捉。
  3. 实验表明，UltraLBM-UNet在多个数据集上达到SOTA，且参数量和计算量远低于现有方法。

📝 摘要（中文）

皮肤病灶分割是皮肤科临床决策的关键步骤。然而，现有方法在准确性、鲁棒性和资源效率方面存在局限性，包括性能低和计算复杂度高。为了解决这些问题，我们提出了UltraLBM-UNet，这是一个轻量级的U-Net变体，它集成了基于双向Mamba的全局建模机制和多分支局部特征感知。该架构将高效的局部特征注入与双向状态空间建模相结合，从而在空间维度上实现更丰富的上下文交互，同时保持计算紧凑性，适用于即时护理部署。在ISIC 2017、ISIC 2018和PH2数据集上的大量实验表明，我们的模型始终如一地实现了最先进的分割精度，优于现有的轻量级和Mamba模型，参数量仅为0.034M，计算量为0.060 GFLOPs。此外，我们引入了一种混合知识蒸馏策略来训练超紧凑的学生模型，其中蒸馏后的变体UltraLBM-UNet-T，参数量仅为0.011M，计算量为0.019 GFLOPs，实现了具有竞争力的分割性能。这些结果突出了UltraLBM-UNet适用于即时护理部署，在这些部署中，准确和鲁棒的病灶分析至关重要。

🔬 方法详解

问题定义：论文旨在解决皮肤病灶分割任务中，现有方法精度不足、计算复杂度高，难以在资源受限的即时护理场景中部署的问题。现有方法通常无法在精度和效率之间取得平衡，或者需要大量的计算资源。

核心思路：论文的核心思路是将Mamba架构的双向建模能力与U-Net的局部特征提取能力相结合，从而在保证全局上下文理解的同时，降低计算复杂度。通过双向Mamba模块，模型可以更好地捕捉空间维度上的上下文信息，而轻量化的U-Net结构则保证了模型的效率。

技术框架：UltraLBM-UNet基于U-Net架构，主要包含编码器和解码器两个部分。编码器部分使用卷积层和池化层提取局部特征，并逐渐降低特征图的分辨率。在编码器的每个阶段，都插入了双向Mamba模块，用于进行全局建模。解码器部分则使用反卷积层和跳跃连接，将低分辨率的特征图恢复到原始分辨率，并融合来自编码器的局部特征。最终，模型输出分割结果。

关键创新：论文的关键创新在于将双向Mamba模块集成到U-Net架构中，从而实现了全局上下文建模和局部特征提取的有效结合。与传统的卷积神经网络相比，Mamba架构具有更强的长距离依赖建模能力，并且计算复杂度更低。此外，双向建模能够更好地捕捉空间维度上的上下文信息。

关键设计：论文采用了轻量化的U-Net结构，以降低计算复杂度。双向Mamba模块的具体实现采用了状态空间模型，并通过选择机制来控制信息的流动。此外，论文还引入了一种混合知识蒸馏策略，用于训练更小的学生模型UltraLBM-UNet-T。损失函数方面，可能采用了Dice Loss或Cross-Entropy Loss等常用的分割损失函数。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

UltraLBM-UNet在ISIC 2017、ISIC 2018和PH2数据集上取得了SOTA的分割精度，同时参数量仅为0.034M，计算量为0.060 GFLOPs，远低于现有方法。通过知识蒸馏，得到的UltraLBM-UNet-T模型参数量仅为0.011M，计算量为0.019 GFLOPs，仍然保持了具有竞争力的分割性能。

🎯 应用场景

UltraLBM-UNet可应用于皮肤科的辅助诊断，帮助医生快速准确地分割皮肤病灶，提高诊断效率和准确性。由于其轻量化的特点，该模型尤其适用于资源受限的场景，如移动医疗设备或远程医疗平台。未来，该模型还可以与其他AI技术相结合，实现更智能化的皮肤病诊断。

📄 摘要（原文）

Skin lesion segmentation is a crucial step in dermatology for guiding clinical decision-making. However, existing methods for accurate, robust, and resource-efficient lesion analysis have limitations, including low performance and high computational complexity. To address these limitations, we propose UltraLBM-UNet, a lightweight U-Net variant that integrates a bidirectional Mamba-based global modeling mechanism with multi-branch local feature perception. The proposed architecture integrates efficient local feature injection with bidirectional state-space modeling, enabling richer contextual interaction across spatial dimensions while maintaining computational compactness suitable for point-of-care deployment. Extensive experiments on the ISIC 2017, ISIC 2018, and PH2 datasets demonstrate that our model consistently achieves state-of-the-art segmentation accuracy, outperforming existing lightweight and Mamba counterparts with only 0.034M parameters and 0.060 GFLOPs. In addition, we introduce a hybrid knowledge distillation strategy to train an ultra-compact student model, where the distilled variant UltraLBM-UNet-T, with only 0.011M parameters and 0.019 GFLOPs, achieves competitive segmentation performance. These results highlight the suitability of UltraLBM-UNet for point-of-care deployment, where accurate and robust lesion analyses are essential. The source code is publicly available at https://github.com/LinLinLin-X/UltraLBM-UNet.