EMCAD：高效多尺度卷积注意力解码器用于医学图像分割

高效且有效的解码机制在医学图像分割中至关重要，尤其是在计算资源有限的场景下。然而，这些解码机制通常伴随高计算成本。为此，我们引入EMCAD（Efficient Multi-scale Convolutional Attention Decoding），一种新的高效多尺度卷积注意力解码器，旨在优化性能和计算效率。EMCAD利用独特的多尺度深度可分离卷积模块，通过多尺度卷积显著增强特征图。EMCAD还采用通道注意力、空间注意力和分组（大核）门控注意力机制，能够有效捕捉复杂的空间关系，同时聚焦于关键区域。通过采用分组和深度可分离卷积，EMCAD计算高效且扩展性佳（例如，在标准编码器上仅需1.91M参数和0.381G FLOPs）。我们的严格评估覆盖12个数据集，涉及6种医学图像分割任务，结果显示EMCAD在参数数量和FLOPs分别降低79.4%和80.3%，同时实现了最先进（SOTA）性能。此外，EMCAD对不同编码器具有良好的适应性，跨任务分割具有广泛的灵活性，进一步证明了EMCAD作为提升医学图像分析效率与准确性的有前景的工具。我们的实现已公开于https://github.com/SLDGroup/EMCAD。