E2ENet：面向精确高效三维医学图像分割的动态稀疏特征融合
计算机视觉与模式识别
2025-02-20 v2
摘要
深度神经网络因其卓越的性能已成为三维医学图像分割的主流方法。然而，深度神经网络不断增长的模型规模和计算成本已成为将其部署到现实世界资源受限硬件上的主要障碍。为了追求性能和效率的提升，我们提出了一种名为高效到高效网络（E2ENet）的三维医学图像分割模型，该模型融合了两种参数和计算高效的设计。i. 动态稀疏特征融合（DSFF）机制：它自适应地学习融合信息丰富的多尺度特征，同时减少冗余。ii. 三维卷积中的受限深度移位：它利用三维空间信息，同时将模型和计算复杂度保持在基于二维方法的水平。我们在 BTCV、AMOS-CT 和脑肿瘤分割挑战赛上进行了大量实验，证明 E2ENet 在各种资源约束下，始终能在准确性和效率之间取得优于先前技术的平衡。在大型挑战赛 AMOS-CT 上，E2ENet 实现了相当的准确性，同时与先前的最佳方法相比，在推理阶段节省了超过 68% 的参数量和 29% 的 FLOPs。我们的代码已公开在：https://github.com/boqian333/E2ENet-Medical。
引用
@article{arxiv.2312.04727,
title = {E2ENet: Dynamic Sparse Feature Fusion for Accurate and Efficient 3D Medical Image Segmentation},
author = {Boqian Wu and Qiao Xiao and Shiwei Liu and Lu Yin and Mykola Pechenizkiy and Decebal Constantin Mocanu and Maurice Van Keulen and Elena Mocanu},
journal= {arXiv preprint arXiv:2312.04727},
year = {2025}
}
备注
Accepted at NeurIPS 2024