LM-Net: 用于医学图像分割的轻量多尺度网络
计算机视觉与模式识别
2025-01-08 v1
摘要
当前的医学图像分割方法在深度探索多尺度信息以及有效结合局部细节纹理与全局上下文语义信息方面存在局限性，导致过分割、欠分割和分割边界模糊。为了解决这些挑战，我们从不同角度探索多尺度特征表示，提出了一种新颖的轻量多尺度架构LM-Net，该架构融合了卷积神经网络(CNN)和视觉Transformer(ViT)的优势，以提升分割精度。LM-Net采用轻量多分支模块在同一层级捕获多尺度特征。此外，我们引入了两个模块来同时捕获局部细节纹理和带有不同层级多尺度特征的全局语义：局部特征变换器(LFT)和全局特征变换器(GFT)。LFT集成局部窗口自注意力以捕获局部细节纹理，而GFT利用全局自注意力捕获全局上下文语义。通过结合这些模块，我们的模型实现了局部与全局表示的互补，缓解了医学图像分割中分割边界模糊的问题。为了评估LM-Net的可行性，我们在三个不同模态的公开数据集上进行了大量实验。我们提出的模型达到了最先进的结果，超越了以往的方法，同时仅需4.66G FLOPs和5.4M参数。在三个不同模态数据集上的这些最先进结果证明了我们提出的LM-Net在各种医学图像分割任务中的有效性和适应性。
引用
@article{arxiv.2501.03838,
title = {LM-Net: A Light-weight and Multi-scale Network for Medical Image Segmentation},
author = {Zhenkun Lu and Chaoyin She and Wei Wang and Qinghua Huang},
journal= {arXiv preprint arXiv:2501.03838},
year = {2025}
}