LGMSNet：基于双层多尺度融合的医学图像分割模型轻量化方案
计算机视觉与模式识别
2026-02-10 v1 人工智能
摘要
医学图像分割在疾病诊断和治疗规划中发挥着关键作用，尤其是在资源受限的临床环境中，亟需轻量化且可泛化的模型。然而，现有轻量化模型往往以牺牲性能为代价，且很少采用计算密集型注意力机制，严重限制了其对全局语境感知的能力。此外，当前架构忽视了在医学成像中相同卷积核下的通道冗余问题，这阻碍了有效的特征提取。为解决上述挑战，我们提出了LGMSNet——一种基于局部与全局双层多尺度融合的轻量化框架，实现了最小计算开销下的领先性能。LGMSNet采用异构 intra-layer 卷积核以提取局部高频信息，同时缓解通道冗余；此外，该模型集成稀疏Transformer-卷积混合分支，以捕获低频全局信息。广泛的实验在六个公开数据集上表明，LGMSNet的优势超过现有领先方法。特别是，在对四个未见数据集上的零样本泛化测试中，LGMSNet保持了卓越的性能，凸显了其在资源受限医疗场景中实际部署的潜力。项目代码已公开于 https://github.com/cq-dong/LGMSNet。
引用
@article{arxiv.2508.15476,
title = {LGMSNet: Thinning a medical image segmentation model via dual-level multiscale fusion},
author = {Chengqi Dong and Fenghe Tang and Rongge Mao and Xinpei Gao and S. Kevin Zhou},
journal= {arXiv preprint arXiv:2508.15476},
year = {2026}
}
备注
Accepted by ECAI 2025