USEANet：面向医学图像分割的超轻量级超声专用边缘感知多分支网络
图像与视频处理
2025-09-12 v1
摘要
超声图像分割面临纹理噪声、低对比度和边界模糊等独特挑战，而临床部署则要求具备计算效率。我们提出USEANet，一种超声专用边缘感知多分支网络，通过四项关键创新实现最佳的性能与效率平衡：（1）针对超声图像的多分支处理，包含专用于噪声消除、边缘增强和对比度提升的专用模块；（2）边缘感知注意力机制，以最小计算开销聚焦边界信息；（3）具有自适应权重学习的层次特征聚合；（4）针对超声图像的解码器增强，以实现最佳分割细化。基于超轻量级PVT-B0主干网络，USEANet在五个超声数据集上均显著优于现有方法，仅使用3.64M参数和0.79G FLOPs。实验结果表明，模型在BUSI数据集上实现67.01的IoU，显著优于传统方法，同时保持极佳的计算效率，适用于实时临床应用。代码已公开于https://github.com/chouheiwa/USEANet。
引用
@article{arxiv.2509.08860,
title = {USEANet: Ultrasound-Specific Edge-Aware Multi-Branch Network for Lightweight Medical Image Segmentation},
author = {Jingyi Gao and Di Wu and Baha lhnaini},
journal= {arXiv preprint arXiv:2509.08860},
year = {2025}
}
备注
This work has been submitted to the IEEE for possible publication