CMUNeXt：基于大核与跳跃融合的高效医学图像分割网络
图像与视频处理
2023-08-04 v2 计算机视觉与模式识别
摘要
U 形架构已成为医学图像分割网络设计中的重要范式。然而，由于卷积固有的局部局限性，具有 U 形架构的全卷积分割网络难以有效提取对病灶精确定位至关重要的全局上下文信息。虽然结合 CNN 与 Transformers 的混合架构可解决这些问题，但由于环境与边缘设备带来的计算资源限制，其在真实医疗场景中的应用受限。此外，轻量网络中的卷积归纳偏置善于拟合稀缺的医疗数据，而基于 Transformer 的网络缺乏这一点。为在提取全局上下文信息的同时利用归纳偏置，我们提出 CMUNeXt，一种高效的全卷积轻量医学图像分割网络，可在真实场景中实现快速准确的辅助诊断。CMUNeXt 利用大核与倒瓶颈设计充分混合远距离空间与位置信息，高效提取全局上下文信息。我们还引入跳跃融合块，以实现平滑的跳跃连接并确保充足的特征融合。在多个医学图像数据集上的实验结果表明，CMUNeXt 在分割性能上优于现有重量级与轻量级医学图像分割网络，同时提供更快的推理速度、更轻的权重与更低的计算成本。代码见 https://github.com/FengheTan9/CMUNeXt。
引用
@article{arxiv.2308.01239,
title = {CMUNeXt: An Efficient Medical Image Segmentation Network based on Large Kernel and Skip Fusion},
author = {Fenghe Tang and Jianrui Ding and Lingtao Wang and Chunping Ning and S. Kevin Zhou},
journal= {arXiv preprint arXiv:2308.01239},
year = {2023}
}
备注
8 pages, 3 figures