SegMate：基于非对称注意力的轻量级多器官分割架构
计算机视觉与模式识别
2026-03-02 v1 机器学习
摘要
面向医学图像分割的现有模型在准确率上取得优异成绩，但需要大量计算资源，限制了在资源受限的临床环境中的部署。我们提出 SegMate，一个高效的 2.5D 框架，实现了与当前最佳准确率相当的性能，同时大幅降低了计算需求。我们 meticulously 将非对称架构、注意力机制、多尺度特征融合、切片位置条件化和多任务优化相融合，实现了高效设计。我们在三个现代主干网络（EfficientNetV2-M、MambaOut-Tiny、FastViT-T12）上展示了该框架的效率-准确率权衡。在三个数据集上进行实验：TotalSegmentator、SegTHOR 和 AMOS22。与原始模型相比，SegMate 将计算量（GFLOPs）降低最高可达 2.5 倍，将显存占用（VRAM）降低最高可达 2.1 倍，同时通常以约 1% 的性能提升实现。TotalSegmentator 上，我们仅使用 295MB 峰值 GPU 显存即可实现 93.51% 的 Dice 评分。在 SegTHOR 和 AMOS22 上进行的零样本跨数据集评估显示，模型具有强大的泛化能力，Dice 评分分别可达 86.85% 和 89.35%。我们在 https://github.com/andreibunea99/SegMate 上发布了开源代码。
引用
@article{arxiv.2602.23903,
title = {SegMate: Asymmetric Attention-Based Lightweight Architecture for Efficient Multi-Organ Segmentation},
author = {Andrei-Alexandru Bunea and Dan-Matei Popovici and Radu Tudor Ionescu},
journal= {arXiv preprint arXiv:2602.23903},
year = {2026}
}