MrBlankness/LightM-UNet

解決的問題

LightM-UNet 解決了對高效率、高性能醫學影像分割模型的需求。它旨在提供一種輕量級替代方案，以應對 nnU-Net 和 U-Mamba 等先進模型通常具有顯著更大參數量的問題。

工作原理

本專案實現了 UNet 架構與 Mamba 的輕量級融合。基於 nnU-Net 框架建構，能夠處理 2D 與 3D 的真實世界醫學資料集。透過整合 Mamba，模型在保持極小模型體積的同時實現了高分割精確度。

適用對象

本工具專為醫學影像領域的研究人員與開發者設計，適用於需要在不依賴大量計算資源的情況下對 2D 與 3D 醫學影像進行分割的場景。

核心亮點

• 極其輕量：參數量僅為 1M。
• 高效性突出：相比 nnU-Net 參數量減少 116 倍，相比 U-Mamba 減少 224 倍。
• 多功能性：支援 2D 與 3D 醫學影像分割。
• 框架整合：基於流行的 nnU-Net 框架建構，支援資料預處理與訓練。