MK-UNet：用于医学图像分割的多核轻量级 CNN
计算机视觉与模式识别
2025-09-24 v1
摘要
在本文中，我们介绍了 MK-UNet，这是一种专为医学图像分割定制的超轻量级、多核 U 型 CNN 的范式转变。MK-UNet 的核心是我们设计多核深度卷积块（MKDC），通过多个卷积核熟练地处理图像，同时捕捉复杂的多分辨率空间关系。MK-UNet 还通过复杂的注意力机制（包括通道、空间和分组门控注意力）突出图像的显著特征。我们的 MK-UNet 网络仅有 0.316M 参数和 0.314G FLOPs 的适度计算占用，不仅代表了一种极其轻量级且显著改进的分割解决方案，而且在六个二值医学成像基准上提供了高于 SOTA 方法的准确率。具体而言，MK-UNet 在 DICE 分数上优于 TransUNet，且参数和 FLOPs 分别减少了近 333 倍和 123 倍。类似地，与 UNeXt 相比，MK-UNet 展现出更优的分割性能，在参数量减少 4.7 倍的情况下将 DICE 分数提高了高达 6.7% 的幅度。我们的 MK-UNet 还以更低的计算资源优于其他近期的轻量级网络，如 MedT、CMUNeXt、EGE-UNet 和 Rolling-UNet。这种性能飞跃加上巨大的计算增益，使 MK-UNet 成为在资源受限环境（如即时检测设备）下进行实时、高保真医疗诊断的无与伦比的解决方案。我们的实现可在 https://github.com/SLDGroup/MK-UNet 获取。
引用
@article{arxiv.2509.18493,
title = {MK-UNet: Multi-kernel Lightweight CNN for Medical Image Segmentation},
author = {Md Mostafijur Rahman and Radu Marculescu},
journal= {arXiv preprint arXiv:2509.18493},
year = {2025}
}
备注
11 pages, 3 figures, Accepted at ICCV 2025 Workshop CVAMD