LHU-Net: A Light Hybrid U-Net for Cost-Efficient, High-Performance Volumetric Medical Image Segmentation

由于Transformer架构在医学图像分析中的崛起，特别是在医学图像分割领域，已经创造了许多混合模型，将卷积神经网络（CNN）和Transformer的优势合并起来。这些混合模型通过显著提高分割准确性取得了显著的成功。然而，这种进展往往以增加模型复杂性为代价，包括参数和计算需求。此外，许多这些模型未考虑空间和通道特征之间的关键相互作用，这可能进一步细化和改进分割结果。为了解决这个问题，我们引入了LHU-Net，这是一种针对体积医学图像分割进行优化的轻型混合U-Net架构。LHU-Net在其初始层中精心设计以优先考虑空间特征分析，然后在其深层中将重点转向基于通道的特征，确保全面的特征提取过程。在五个基准数据集-Synapse、LA、胰腺、ACDC和BRaTS 2018上进行的严格评估强调了LHU-Net的优越性能，展示了其在效率和准确性方面的双重能力。值得注意的是，LHU-Net创造了新的性能基准，例如在ACDC数据集上获得92.66的Dice分数，同时与现有最先进的模型相比，减少了85%的参数并将计算负载减少了四分之一。LHU-Net的有效性进一步得到证明，因为它在所有评估数据集上都表现出最先进的性能，仅使用不到1100万个参数。这一成就凸显了在医学图像分割中平衡计算效率和高准确性的可行性。我们在GitHub上向研究社区免费提供了LHU-Net的实现。

本篇论文旨在解决医学图像分割中混合模型在提高分割精度的同时，模型参数和计算需求增加的问题，同时考虑空间和通道特征的相互作用，以进一步提高分割结果。

LHU-Net是一种轻量级的混合U-Net架构，通过在初始层优先考虑空间特征分析，然后在深层次上转向基于通道的特征，以确保全面的特征提取过程，从而提高医学图像分割的效率和准确性。

LHU-Net在五个基准数据集上进行了严格评估，并展示了其优越的性能，同时降低了85％的参数和四分之一的计算负载。LHU-Net的有效性进一步得到证明，因为它在所有评估的数据集上都表现出最先进的性能，仅使用不到1100万个参数。LHU-Net的实现对研究社区免费开放。

最近的相关研究包括：'TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation'，'U-Net: Convolutional Networks for Biomedical Image Segmentation'，'Attention U-Net: Learning Where to Look for the Pancreas'等。