Tree-NET：通过高效的低层特征训练增强医学图像分割
图像与视频处理
2025-01-07 v1 计算机视觉与模式识别
摘要
本文提出 Tree-NET，一种用于医学图像分割的新型框架，利用瓶颈特征监督来同时提升分割精度与计算效率。以往的研究虽然采用了瓶颈特征监督，但其应用大多局限于训练阶段，在训练和评估过程中均未带来计算收益。据我们所知，本研究首次提出一种为分割模型引入两个额外训练阶段的框架，在输入和输出阶段均利用瓶颈特征。该方法通过降低输入和输出维度显著提升计算性能，参数量的增加可忽略不计，且不牺牲精度。Tree-NET 具有三层架构，包括 Encoder-Net 和 Decoder-Net（分别用于压缩输入和标签数据的自编码器）以及 Bridge-Net（一种对瓶颈特征进行监督的分割框架）。通过聚焦于稠密的压缩表示，Tree-NET 提升了运行效率，并且可以无缝集成到现有分割模型中，无需修改其内部结构或增大模型规模。我们在两个关键的分割任务——皮肤病变分割与息肉分割——上使用多种骨干模型（包括 U-NET 变体和 Polyp-PVT）对 Tree-NET 进行了评估。实验结果表明，Tree-NET 将 FLOPs 降低了 4 到 13 倍，并减少了内存使用，同时达到了与原始架构相当或更优的精度。这些结果凸显了 Tree-NET 作为一种稳健且高效的医学图像分割解决方案的潜力。
引用
@article{arxiv.2501.02140,
title = {Tree-NET: Enhancing Medical Image Segmentation Through Efficient Low-Level Feature Training},
author = {Orhan Demirci and Bulent Yilmaz},
journal= {arXiv preprint arXiv:2501.02140},
year = {2025}
}
备注
This manuscript is 10 pages long, includes 10 figures and 3 tables, and presents a novel framework for medical image segmentation. It has been submitted to the Medical Image Analysis journal for review