EGE-UNet：一种用于皮肤病变分割的高效分组增强 UNet
图像与视频处理
2023-07-18 v1 计算机视觉与模式识别
摘要
Transformer 及其变体已被广泛用于医学图像分割。然而，这些模型的大量参数与计算负载使其不适用于移动健康应用。为解决此问题，我们提出了一种更高效的方法——高效分组增强 UNet（EGE-UNet）。我们以轻量方式引入了分组多轴哈达玛积注意力模块（GHPA）与分组聚合桥接模块（GAB）。GHPA 对输入特征分组并在不同轴上执行哈达玛积注意力机制（HPA），从多样视角提取病理信息。GAB 通过在各阶段对低级特征、高级特征及解码器生成的掩码进行分组，有效融合多尺度信息。在 ISIC2017 与 ISIC2018 数据集上的综合实验表明，EGE-UNet 优于现有最先进方法。简言之，与 TransFuse 相比，我们的模型在分割性能更优的同时，参数与计算成本分别降低 494 倍和 160 倍。此外，据我们所知，这是首个参数规模仅限 50KB 的模型。我们的代码见 https://github.com/JCruan519/EGE-UNet。
引用
@article{arxiv.2307.08473,
title = {EGE-UNet: an Efficient Group Enhanced UNet for skin lesion segmentation},
author = {Jiacheng Ruan and Mingye Xie and Jingsheng Gao and Ting Liu and Yuzhuo Fu},
journal= {arXiv preprint arXiv:2307.08473},
year = {2023}
}
备注
10 pages, 4 figures, 2 tables. This paper has been early accepted by MICCAI 2023 and has received the MICCAI Student-Author Registration (STAR) Award