UNeXt: MLP-based Rapid Medical Image Segmentation Network¶
论文地址¶
https://arxiv.org/abs/2203.04967
代码¶
https://github.com/jeya-maria-jose/UNeXt-pytorch
摘要¶
Cite
近年来，UNet及其最新扩展（如TransUNet）一直是领先的医学图像分割方法。然而，这些网络不能有效地用于护理点应用中的快速图像分割，因为它们参数重、 复杂且使用缓慢。为此，我们提出了基于卷积多层感知器（MLP）的图像分割网络UNeXt。我们以一种有效的方式设计了UNeXt，早期卷积阶段和潜在阶段的MLP阶段。 我们提出了一个标记化的MLP块，在这里我们有效地标记和投影卷积特征，并使用MLP对表示进行建模。为了进一步提高绩效，我们建议在输入MLP的同时转移输入的渠道， 以便专注于学习当地的独立性。在潜在空间中使用标记化MLP减少了参数的数量和计算复杂性，同时能够产生更好的表示来帮助分割。 该网络还包括各级编码器和解码器之间的跳过连接。我们在多个医学图像分割数据集上测试了UNeXt，结果表明，与现有医学图像分割架构相比， 我们将参数数量减少了72倍，计算复杂度减少了68倍，推理速度提高了10倍，同时获得了更好的分割性能。代码可用https://github.com/jeya-maria-jose/UNeXt-pytorch
这篇论文的动机是提高推理效率，使得在边缘设备上使用分割算法来辅助诊断成为可能，专注于设计一个计算开销小，参数数量少，推理时间快同时保持良好性能的高效网络。
方法¶
本文做出了以下贡献：
- 我们提出了第一个基于卷积MLP的图像分割网络UNeXt。
- 我们提出了一种新的具有轴向位移的标记化MLP块，以有效地学习潜在空间的良好表示。
- 我们成功地提高了医学图像分割任务的性能，同时具有较少的参数、较高的推理速度和较低的计算复杂性
把UNet下部分的卷积换成了MLP，极大的减少了参数量，在某些情况下仍能保持较好的效果
总结¶
Cite
在这项工作中，我们提出了一种新的深度网络架构UNeXt，用于医疗图像分割，专注于护理点应用。UNeXt是一种卷积和基于MLP的架构，其中在潜在空间中有一个初始对流阶段， 然后是MLP。具体来说，我们提出了一个带有移位MLP的标记化MLP块，以最小的复杂性和参数有效地对表示进行建模。我们在多个数据集上验证了UNeXt， 在这里我们实现了更快的推理、降低的复杂性和更少的参数数量，同时也实现了最先进的性能。