基于提示的动态标记裁剪用于医学图像分割
计算机视觉与模式识别
2025-08-27 v2
摘要
Vision Transformer (ViT) 在处理大量标记时通常受到高计算需求的制约，限制了其在分析医学图像中的实际应用。该研究提出了一种基于提示的自适应标记 (PrATo) 裁剪方法，用于在分割管道中选择性地减少不相关标记的处理。基于提示的空间先验有助于根据其相关性对标记进行排序。对低相关性得分的标记进行加权处理，确保只有相关的标记在后续阶段中被传递进行处理。这种数据驱动的裁剪策略通过为关键区域分配计算资源来提高分割精度和推理速度。该方法与多个最新模型集成，以促进不相关标记的消除，从而在保持分割精度的同时提高计算效率。实验结果显示，可减少约 35-55% 的标记，从而相对于基线方法降低了计算成本。该框架使得医学图像处理更具成本效益，便于在资源受限的环境中实现实时诊断。
引用
@article{arxiv.2506.16369,
title = {Prompt-based Dynamic Token Pruning for Efficient Segmentation of Medical Images},
author = {Pallabi Dutta and Anubhab Maity and Sushmita Mitra},
journal= {arXiv preprint arXiv:2506.16369},
year = {2025}
}