맘바와 xLSTM의 만남 xLSTM VMUNet 모델로 구현하는 효율적 정확 피부 병변 분할

초록

피부암 초기 발견을 위한 자동 멜라노마 분할은 병변의 다양성과 경계 모호함, 낮은 대비 등의 도전과제를 안고 있습니다. 기존 방법은 피부 이미지 내 공간적·순차적 특징을 동시에 포착하는 데 한계가 있었습니다. 본 연구는 시각 상태 공간 모델(VSSM)의 공간 특징 추출 능력과 확장 장단기 메모리(xLSTM)의 순차 모델링 강점을 결합한 xLSTM-VMUNet 모델을 제안합니다. ISIC2018 데이터셋 실험에서 기존 VMUNet 대비 DSC와 IoU 점수를 크게 향상시켰으며, 더 빠른 수렴 속도와 일관된 고성능 분할 결과를 보여주었습니다.

상세 분석

본 논문이 제안하는 xLSTM-VMUNet 모델의 기술적 핵심은 두 가지 첨단 아키텍처의 시너지 효과에 있습니다. 첫째, 특징 추출기 역할을 하는 Visual Mamba(VSSM)는 합성곱 신경망(CNN)의 국부적 인식 능력과 상태 공간 모델(SSM)의 선형 복잡도 장점을 결합하여 다중 규모의 공간적 특징을 효율적으로 추출합니다. 특히 선택적 주사 메커니즘을 통해 관련성 높은 정보에 집중하며, 전역 수용장을 형성하면서도 계산 효율성을 유지합니다. 둘째, 이렇게 추출된 고차원 특징 맵은 순차 데이터로 재구성되어 xLSTM 블록에 입력됩니다. xLSTM은 기존 LSTM의 한계를 극복한 차세대 순차 모델로, 구조화된 LSTM(sLSTM)과 다중 규모 LSTM(mLSTM)이라는 두 변종을 통합합니다. sLSTM은 블록 대각 가중치 행렬을 사용해 효율적인 게이팅과 국부 패턴 추출을, mLSTM은 다중 규모 주의 메커니즘을 통해 장기 의존성을 포착합니다. 이들의 협력은 VSSM이 포착하기 어려운 피부 병변의 복잡한 구조적 상호작용과 장거리 문맥 정보를 보완합니다. 최종적으로, 멀티 레벨 특징 통합 메커니즘을 통해 VSSM의 공간 특징과 xLSTM의 정제된 순차 특징이 가중 융합되어 분할 정확도를 극대화합니다. 이 접근법의 핵심 통찰은 의료 이미지 분할에서 ‘공간적 세부 사항’과 ‘순차적/구조적 문맥’을 분리하여 최적화된 모듈로 처리함으로써, 기존 트랜스포머 기반 방법의 2차 복잡도 문제를 회피하면서도 우수한 전역 이해 능력을 유지할 수 있다는 점입니다.