UNeXt：基于MLP的快速医学图像分割网络

摘要：

近年来，UNet及其最新扩展（如TransUNet）一直是医学图像分割领域的主流方法。然而，这些方法参数量大、计算复杂度高且使用速度慢，因此无法有效地应用于需要快速图像分割的点护理场景中。为此，我们提出了UNeXt，这是一个基于卷积多层感知器（MLP）的图像分割网络。我们有效地设计了UNeXt，包括一个早期的卷积阶段和一个潜在阶段的MLP阶段。我们提出了一种标记化的MLP块，其中我们高效地标记和投影卷积特征，并使用MLP来建模表示。为了进一步提升性能，我们提出在将输入送入MLP时移动其通道，以便专注于学习局部依赖性。在潜在空间中使用标记化的MLP可以减少参数数量和计算复杂度，同时能够获得更好的表示来帮助分割。该网络还包括编码器和解码器各层级之间的跳跃连接。我们在多个医学图像分割数据集上测试了UNeXt，结果表明，与最先进的医学图像分割架构相比，我们的方法将参数数量减少了72倍，计算复杂度降低了68倍，推理速度提高了10倍，同时获得了更好的分割性能。代码可在https://github.com/jeya-maria-jose/UNeXt-pytorch获取。
概述：
UNeXt是一个创新的医学图像分割网络，旨在解决现有方法在计算效率和速度方面的不足。该网络结合了卷积神经网络（CNN）和多层感知器（MLP）的优点，通过设计一个包含早期卷积阶段和潜在MLP阶段的架构，实现了快速且准确的医学图像分割。
在UNeXt中，卷积阶段负责提取图像的基本特征，而MLP阶段则进一步处理这些特征以生成更高级的表示。为了优化MLP的性能，研究者们提出了一种标记化的MLP块，该块能够高效地标记和投影卷积特征，并通过MLP来建模这些特征的表示。此外，他们还提出在输入送入MLP时移动其通道，以学习更丰富的局部依赖性。
UNeXt