Med-2D SegNet：一种用于医学 2D 图像分割的轻量级深度神经网络
计算机视觉与模式识别
2026-01-05 v2
摘要
准确且高效的医学图像分割是推动临床诊断与手术规划的关键，但因解剖结构的变异性及对低复杂度模型的需求，仍具挑战。本文提出 Med-2D SegNet，一种新型且极其高效的分割架构，在保持最小计算资源的同时实现卓越准确率。Med-2D SegNet 在多个基准数据集上实现最佳性能，包括 KVASIR-SEG、PH2、EndoVis 与 GLAS，20 个不同数据集的平均 Dice 相似系数达 89.77%。其核心是紧凑的 Med Block——一种融合维度扩展与参数压缩的专用编码器设计，使特征提取精准且模型参数仅 207 万。Med-2D SegNet 在跨数据集泛化性方面表突出，尤其在结肠息肉分割中，基于 KVASIR-SEG 训练后表现出强劲的零样学习能力，显示其鲁健性。该模型在二分类与多分类分割中均取得业界顶尖水平，重新定义了准确率与效率之间的平衡，为医学图像分析树立了新标杆。本工作为开发适用于临床环境及资源受限场景的可及高性能诊断工具提供了路径，推动了先进医学技术的民主化进程。
引用
@article{arxiv.2504.14715,
title = {Med-2D SegNet: A Light Weight Deep Neural Network for Medical 2D Image Segmentation},
author = {Lameya Sabrin and Md. Sanaullah Chowdhury and Salauddin Tapu and Noyon Kumar Sarkar and Ferdous Bin Ali},
journal= {arXiv preprint arXiv:2504.14715},
year = {2026}
}