LightMedSeg: 基于学习空间锚点的轻量级3D医学图像分割
机器学习
2026-03-10 v1 计算机视觉与模式识别
摘要
准确高效的3D医学图像分割对于临床AI至关重要，模型必须在严格的内存、延迟和数据可用性约束下保持可靠性。基于Transformer的方法实现了高精度，但存在参数过多、FLOPs高和泛化能力有限的问题。我们提出了LightMedSeg，一种模块化的UNet风格分割架构，它将解剖先验与自适应上下文建模相结合。锚点条件FiLM调制实现了解剖感知的特征校准，而局部结构先验模块和纹理感知路由动态地将表示能力分配给边界丰富区域。通过ghost卷积和深度可分离卷积最小化计算冗余，并通过一个具有锚点相对空间位置偏置的学习跳跃路由器自适应融合多尺度特征。尽管仅需0.48M参数和14.64 GFLOPs，LightMedSeg的分割精度与重型Transformer基线相比仅差几个Dice点。因此，LightMedSeg是一种可部署且数据高效的3D医学图像分割解决方案。代码将在接收后公开发布。
引用
@article{arxiv.2603.07228,
title = {LightMedSeg: Lightweight 3D Medical Image Segmentation with Learned Spatial Anchors},
author = {Kavyansh Tyagi and Vishwas Rathi and Puneet Goyal},
journal= {arXiv preprint arXiv:2603.07228},
year = {2026}
}
备注
8 pages, X figures. Submitted to CVPRW ECV 2026