PMFSNet：面向轻量级医学图像分割的极化多尺度特征自注意力网络
计算机视觉与模式识别
2024-01-17 v1
摘要
当前最先进的医学图像分割方法优先考虑准确性，但往往以增加计算需求和更大模型尺寸为代价。将这些大规模模型应用于规模相对有限的医学图像数据集，往往会引入冗余计算，使过程复杂化而没有带来必要的益处。这种方法不仅增加了复杂性，也给在边缘设备上集成和部署轻量级模型带来了挑战。例如，最近的基于Transformer的模型因其广泛的感受野和高参数数量，在2D和3D医学图像分割中表现出色。然而，它们的有效性伴随着应用于小数据集时过拟合的风险，并且常常忽略卷积神经网络（CNN）至关重要的归纳偏置，而这对局部特征表示至关重要。在这项工作中，我们提出了PMFSNet，一种新颖的医学图像分割模型，它有效地平衡了全局和局部特征处理，同时避免了大型模型中典型的计算冗余。PMFSNet精简了基于UNet的层次结构，并简化了自注意力机制的计算复杂度，使其适用于轻量级应用。它集成了一个即插即用的PMFS模块，这是一个基于注意力机制的多尺度特征增强模块，用于捕获长期依赖关系。广泛的综合结果表明，即使使用参数少于一百万的模型，我们的方法在不同数据规模的各种分割任务中也实现了卓越的性能。它在牙齿CT（CBCT）、卵巢肿瘤超声（MMOTU）和皮肤病变皮肤镜图像（ISIC 2018）的公开数据集上分别达到了84.68%、82.02%和78.82%的IoU指标。源代码可在https://github.com/yykzjh/PMFSNet获取。
引用
@article{arxiv.2401.07579,
title = {PMFSNet: Polarized Multi-scale Feature Self-attention Network For Lightweight Medical Image Segmentation},
author = {Jiahui Zhong and Wenhong Tian and Yuanlun Xie and Zhijia Liu and Jie Ou and Taoran Tian and Lei Zhang},
journal= {arXiv preprint arXiv:2401.07579},
year = {2024}
}