更精简：AMBER-AFNO -- 用于轻量级3D医学图像分割的新基准
图像与视频处理
2026-04-21 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
我们将远程感知领域的AMBER模型从多波段图像分割迁移到3D医学datacube分割。为了解决体积变换器的计算瓶颈, 我们提出了AMBER-AFNO架构。该方法使用自适应傅里叶神经算子(AFNO)代替多头注意力机制。不同于令牌之间的空间两两互动, 在频域中的全局令牌混合避免了的注意力权重计算。因此, AMBER-AFNO实现了准线性计算复杂度和线性内存扩展。这种以频域建模全局上下文的方式, 在保持全局上下文建模能力的同时, 减少了对密集变换器的依赖。通过使用无注意力的谱操作, 我们的设计提供了紧凑的参数化并保持具竞争力的计算复杂度。我们在三个公开数据集上评估了AMBER-AFNO: ACDC、Synapse和BraTS。在这些数据集上, 模型在DSC和HD95方面实现了最先进或接近最先进的结果。与最近的紧凑CNN和变换器架构相比, 我们的方法在保持紧凑模型规模的同时, 获得了更高的Dice得分。总体而言, 我们的结果表明, 频域令牌混合与AFNO为3D医学图像分割提供了快速且高效的自注意力机制替代方案。
引用
@article{arxiv.2508.01941,
title = {Less is More: AMBER-AFNO -- a New Benchmark for Lightweight 3D Medical Image Segmentation},
author = {Andrea Dosi and Semanto Mondal and Rajib Chandra Ghosh and Massimo Brescia and Giuseppe Longo},
journal= {arXiv preprint arXiv:2508.01941},
year = {2026}
}