トランスフォーマー構造の登場により、医療画像セグメンテーションは大きな進展を遂げており、畳み込みニューラルネットワーク（CNN）とトランスフォーマーを組み合わせたハイブリッドモデルが、精度の向上を実現するものとして注目されている。しかし、こうしたモデルは複雑性が増す傾向にあり、空間的特徴とチャネル特徴の相互作用を十分に考慮しないことが多く、セグメンテーションの精度に影響を及ぼす要因となっている。本研究では、体積データ向けに最適化された簡潔なハイブリッドU-Net、LHU-Netを提案する。LHU-Netは、特徴抽出のための効率的なアーキテクチャとして、まず空間的特徴を分析し、その後にチャネル特徴を処理するという段階的なアプローチを採用している。本モデルは、Synapse、LA、Pancreas、ACDC、BRaTS 2018の5つのベンチマークデータセットで評価され、優れた効率性と精度を示した。特にACDCデータセットでは、最先端モデルに比べてパラメータ数を85％削減し、計算量を四分の一に抑える中で、92.66という高いDiceスコアを達成した。この成果は、事前学習や追加データ、モデルアンサンブルを用いずに達成されており、1,100万パラメータ未満の極めて軽量なモデルで、計算効率と精度の新たな基準を確立した。本研究の結果は、医療画像セグメンテーションにおいて、高い精度と計算効率の両立が実現可能であることを示している。LHU-Netの実装コードは、GitHub（https://github.com/xmindflow/LHUNet）にて研究コミュニティに無料で公開されている。