UNext：基于 MLP 的快速医学图像分割网络

会议分析

期刊（会议）名： MICCAI 2022
会议信息： 属于顶会了
有代码： UNxet

摘要

UNet 及其最新扩展（如 TransUNet）近年来一直是领先的医学图像分割方法。然而，这些网络无法有效地用于point-of-care应用中的快速图像分割，因为它们参数繁重、计算复杂且使用缓慢。为此，我们提出了 UNeXt，它是一种基于卷积多层感知器（MLP）的图像分割网络。我们以有效的方式设计了 UNeXt，其中包括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，我们可以在其中有效地标记和投影卷积特征，并使用 MLP 来对表示进行建模。为了进一步提高性能，我们建议在输入 MLP 时改变输入通道，以便专注于学习局部依赖关系。在潜在空间中使用标记化 MLP 可以减少参数数量和计算复杂性，同时能够产生更好的表示以帮助分割。该网络还由各级编码器和解码器之间的跳跃连接组成。我们在多个医学图像分割数据集上测试了 UNeXt，结果表明我们将参数数量减少了 72 倍，计算复杂度降低了 68 倍，推理速度提高了 10 倍，同时还获得了比最先进的医学图像更好的分割性能分段架构。

---

贡献

1. 我们提出了 UNeXt，第一个基于卷积 MLP 的图像分割网络。
2. 我们提出了一种新颖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。
3. 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度。

---

---

方法

整体框架

注意：

1. 各层的通道数为32、64、128、160、256 而不是标准的U-Net通道数，这个是降低参数量和计算量最直接的方法；
2. 前三层用的卷积模块；后两层使用标记的多层感知机模块；

1.Shifted MLP

先横向移动，后纵向移动，这些特征在高度和宽度上按顺序移动，以诱导网络中的窗口局部性

2.Tokenized MLP Stage

说的和做的好像有丢丢不一样，代码学习ing, 🐕😀

实验

两个公共数据集：ISIC 2018皮肤病变分割数据集和BUSI 乳腺超声数据集
损失函数：

1.对比实验

详细对比了五种模型两个数据集上Params、GFLOPs、Inference Speed、F1-Score、IoU的指标



作为会议文章，结果分析的很少，但是有代码，要去好好学学 😀

2.消融实验

2.1 模块的消融实验

消融实验主要是1 原始UNet；2 减少通道数的UNet；3 只保留前三层的UNet（也是UNeXt的前半部分）；4 3+标记的多层感知机模块； 5 4+深度分离卷积做的位置编码模块； 6 5+横向偏移标记的多层感知机； 7 5+纵向偏移标记的多层感知机； 8 Proposed
可以看出来模块的添加没有带来额外的开销，并且提升效果也很显著

2.2 通道数的探索

全是实验，没有技巧 ；之前自己做实验的时候，也发现通道数的改变是降低模型开销最直接的方法

可借鉴参考

1. 实时护理 Point-of-care 降低参数量和计算量的切入口
   Vashist, S.K.: Point-of-care diagnostics: Recent advances and trends. Biosensors 7(4), 62 (2017)

2. 代码： UNxet