SpineContextResUNet：用于脊椎 CT 分割的计算高效残差 U-Net
计算机视觉与模式识别
2026-05-21 v1
摘要
自动化分割 CT 扫描中的脊椎列是疾病评估和手术规划的前提条件。然而，特别是基于 Transformer 或大规模集团的方法，要求巨大的 GPU 资源，导致在资源受限的环境或边缘设备上难以实现临床采用。为此，我们引入 SpineContextResUNet，一个为快速脊椎定位设计的计算高效 3D 残差 U-Net。我们的体系结构集成了一个轻量级的 Context Block，采用并行的多膨胀卷积来捕获长程解剖依赖关系，而无需递归神经网络 (RNN) 的高延迟或自注意力机制的内存开销。在两个公共基准 VerSe2020 和 CTSpine1K 上的广泛验证表明，我们的模型分别 achieves Dice 分数 88.17% 和 88.13%。为评估严格的硬件约束下的性能，我们将我们的模型与一个被压缩到约1.7M 参数规模的 bottlenecked SwinUNETR 进行比较。虽然受限的 Transformer 因缺乏空间归纳偏置在有限数据场景下遭受严重性能下降，而我们的 CNN-based 方法成功地保持了高准确度。关键的是，像 TotalSegmentator 这样的重型基线在商品硬件 (Intel Core i5, 8GB RAM) 上会因内存耗尽而失败，而我们的模型能够稳健地进行推理，使其成为面向临床的诊断和部署在边缘平台（如 Nvidia Jetson Orin Nano）上的可行解决方案。
引用
@article{arxiv.2605.20760,
title = {SpineContextResUNet: A Computationally Efficient Residual UNet for Spine CT Segmentation},
author = {K S Nithurshen and Saurabh J. Shigwan},
journal= {arXiv preprint arXiv:2605.20760},
year = {2026}
}
备注
2 Figures, 3 Tables