BiSe-Unet：用于实时医学图像分割的轻量级双路径U-Net与注意力精炼上下文
计算机视觉与模式识别
2026-03-03 v1
摘要
在图像引导手术过程中，通常需要实时图像分割。这要求轻量级AI模型能够在资源受限的设备上运行。一个重要的用例是内窥镜引导的结肠镜检查，其中必须实时检测息肉。Kvasir-Seg数据集是该任务的公开基准，包含1,000张高分辨率息肉内窥镜图像及相应的像素级分割掩码。在受限环境中实现临床部署所需的实时推理速度，需要高效且轻量级的网络架构。然而，许多现有模型对于嵌入式部署而言计算量仍然过大。轻量级架构虽然速度更快，但通常会导致空间精度降低和上下文理解能力减弱，从而导致边界质量下降和诊断可靠性降低。为了解决这些挑战，我们引入了BiSe-UNet，一种轻量级双路径U-Net，它集成了注意力精炼的上下文路径和用于详细特征保留的浅层空间路径，随后是用于高效重建的深度可分离解码器。在Kvasir-Seg数据集上的评估表明，BiSe-UNet在保持超过30 FPS实时吞吐量的同时，取得了具有竞争力的Dice和IoU分数，证明了其在边缘硬件上进行准确、轻量级和可部署的医学图像分割的有效性。
引用
@article{arxiv.2603.00119,
title = {BiSe-Unet: A Lightweight Dual-path U-Net with Attention-refined Context for Real-time Medical Image Segmentation},
author = {M Iffat Hossain and Laura Brattain},
journal= {arXiv preprint arXiv:2603.00119},
year = {2026}
}
备注
Submitted to IEEE EMBC 2026. This work has been submitted to the IEEE for possible publication