轻量级模型下的乳房密度病灶分割：比较研究
计算机视觉与模式识别
2026-05-07 v2 机器学习
摘要
乳腿癌是全球妇女癌症死亡率的主要原因，乳房导视是主要的筛查工具。虽然深度学习模型在病灶分割方面显示出强大的性能，但大多数依赖于计算密集型架构，限制了其在资源受限环境中的应用。本研究评估了轻量级模型在乳房密度病灶分割中的性能与效率。比较了包括 MobileNetV2、EfficientNet Lite、FPN 和 Fast-SCNN 在内的各种架构，与基于 U-Net 的基线进行比较，使用 INbreast 数据集进行 5 折交叉验证。评估指标包括 Dice 系数、交并比 (IoU) 和召回率，同时考虑模型复杂度。结果表明，带有 Squeeze-and-Excitation (SCSE) 的 MobileNetV2 取得最佳性能，Dice 系数达到 0.5766，而参数数量约为 U-Net 的 75%。跨数据集评估在 DMID 数据集上显示由于领域迁移导致准确率下降，但保持了召回率。这些结果表明，轻量级架构在性能与效率之间提供了实用的平衡，适用于可部署的计算机辅助诊断系统。
引用
@article{arxiv.2604.23899,
title = {Mammographic Lesion Segmentation with Lightweight Models: A Comparative Study},
author = {Helder Oliveira},
journal= {arXiv preprint arXiv:2604.23899},
year = {2026}
}
备注
Submitted to a journal