MALUNet：一种用于皮肤病变分割的多注意力轻量级 UNet
图像与视频处理
2022-11-04 v1 计算机视觉与模式识别
摘要
近来，一些开创性工作倾向于采用更复杂的模块来提升分割性能。然而，由于计算资源有限，这对实际临床环境并不友好。为应对该挑战，我们提出一种轻量级模型，以迄今最低的参数量与计算复杂度代价，在皮肤病变分割上取得具竞争力的性能。简言之，我们提出四个模块：（1）DGA 由空洞卷积与门控注意力机制组成，以提取全局与局部特征信息；（2）IEA 基于外部注意力刻画整体数据集并增强样本间联系；（3）CAB 由一维卷积与全连接层构成，对多阶段特征进行全局与局部融合，以在通道轴上生成注意力图；（4）SAB 通过共享的二维卷积作用于多阶段特征，以在空间轴上生成注意力图。我们将四个模块与 U 形架构结合，得到名为 MALUNet 的轻量级医学图像分割模型。与 UNet 相比，我们的模型在参数量与计算复杂度分别减少 44 倍和 166 倍的情况下，mIoU 与 DSC 指标分别提升 2.39% 与 1.49%。此外，我们在两个皮肤病变分割数据集（ISIC2017 与 ISIC2018）上进行了对比实验。实验结果表明，我们的模型在平衡参数量、计算复杂度与分割性能方面达到了最先进水平。代码见 https://github.com/JCruan519/MALUNet。
引用
@article{arxiv.2211.01784,
title = {MALUNet: A Multi-Attention and Light-weight UNet for Skin Lesion Segmentation},
author = {Jiacheng Ruan and Suncheng Xiang and Mingye Xie and Ting Liu and Yuzhuo Fu},
journal= {arXiv preprint arXiv:2211.01784},
year = {2022}
}
备注
7 pages, 7 figures, 5 tables; This work has been accepted as a regular paper in IEEE BIBM 2022