基于高级 Unet 的医学图像分割：VMSE-Unet 和 VM-Unet CBAM+
图像与视频处理
2025-07-10 v2 计算机视觉与模式识别
机器学习
摘要
本文提出了 VMSE U-Net 和 VM-Unet CBAM+ 两个前沿深度学习架构，用于提升医学图像分割性能。我们的方法将 Squeeze-and-Excitation (SE) 和卷积块注意力模块 (CBAM) 技术集成到传统的 VM U-Net 框架中，显著改善了分割精度、特征定位和计算效率。两种模型在多个数据集上均优于基线 VM-Unet。值得注意的是，VMSEUnet 在保持低损失值的同时，实现了最高的准确率、IoU、精确率和召回率。它还在 GPU 和 CPU 上表现出卓越的计算效率，推理速度更快，内存占用更低。总体而言，本研究表明增强后的架构 VMSE-Unet 是医学图像分析的有力工具。这些发现凸显了其在实际临床应用中的潜力，强调进一步研究以优化精度、鲁棒性和计算效率的重要性。
引用
@article{arxiv.2507.00511,
title = {Medical Image Segmentation Using Advanced Unet: VMSE-Unet and VM-Unet CBAM+},
author = {Sayandeep Kanrar and Raja Piyush and Qaiser Razi and Debanshi Chakraborty and Vikas Hassija and GSS Chalapathi},
journal= {arXiv preprint arXiv:2507.00511},
year = {2025}
}