用于高效 3D 医学图像分割的 Johnson-Lindenstrauss 引理引导网络
计算机视觉与模式识别
2025-09-29 v1
摘要
轻量级 3D 医学图像分割仍受制于基本的“效率/鲁棒性冲突”，特别是在处理复杂解剖结构和异质模态时。在本文中，我们研究如何基于高维 3D 图像的特征重新设计框架，并探索数据协同以克服轻量级方法脆弱的表示。我们的方法 VeloxSeg 始于一个可部署且可扩展的双流 CNN-Transformer 架构，由成对窗口注意力 和 Johnson-Lindenstrauss 引理引导卷积 组成。对于每张 3D 图像，我们调用“扫视与聚焦”原则，其中 PWA 快速检索多尺度信息，而 JLC 以最少参数确保鲁棒的局部特征提取，显著增强了模型在低计算预算下的运行能力。随后扩展该双流架构，将模态交互纳入多尺度图像检索过程，VeloxSeg 高效地对异质模态进行建模。最后，通过 Gram 矩阵进行空间解耦知识迁移 (SDKT)，将自监督网络提取的纹理先验注入分割网络，在不产生额外推理成本的情况下产生比基线更强的表示。在多模态基准上的实验结果表明，VeloxSeg 实现了 26% 的 Dice 提升，同时 GPU 吞吐量提高了 11 倍，CPU 吞吐量提高了 48 倍。代码可在 https://github.com/JinPLu/VeloxSeg 获取。
引用
@article{arxiv.2509.22307,
title = {Johnson-Lindenstrauss Lemma Guided Network for Efficient 3D Medical Segmentation},
author = {Jinpeng Lu and Linghan Cai and Yinda Chen and Guo Tang and Songhan Jiang and Haoyuan Shi and Zhiwei Xiong},
journal= {arXiv preprint arXiv:2509.22307},
year = {2025}
}