统一起始、个性化结束：面向高效3D医学图像分割的渐进式剪枝
计算机视觉与模式识别
2025-09-12 v1
摘要
3D 医学图像分割常面临巨大的资源和时间消耗，限制了其在临床环境中的可扩展性和快速部署。现有的高效分割模型通常是静态的，在训练前手动设计，限制了其在不同任务之间的适应性，也难以在性能与资源效率之间取得平衡。本文提出 PSP-Seg，一套渐进式剪枝框架，使其能够动态且高效地进行3D分割。PSP-Seg 从冗余模型开始，迭代式地通过块级剪枝和功能解耦损失的结合进行冗余模块的剪枝。我们在五个公开数据集上对 PSP-Seg 进行评估，將其與七個SOTA模型和六个高效分割模型进行基准测试。结果表明，轻量级变体 PSP-Seg-S 在所有数据集上均实现与 nnU-Net 相当的性能，同时将 GPU 内存使用降低 42-45%，训练时间缩短 29-48%，参数数量减少 83-87%。这些发现凸显了 PSP-Seg 作为面向大规模临床应用的高性价比且高性能替代方案的潜力。
引用
@article{arxiv.2509.09267,
title = {Unified Start, Personalized End: Progressive Pruning for Efficient 3D Medical Image Segmentation},
author = {Linhao Li and Yiwen Ye and Ziyang Chen and Yong Xia},
journal= {arXiv preprint arXiv:2509.09267},
year = {2025}
}
备注
15 pages, 8 figures