Advancing Medical Image Segmentation with Mini-Net: A Lightweight Solution Tailored for Efficient Segmentation of Medical Images

精确地分割医学图像中的解剖结构和异常对于计算机辅助诊断和分析至关重要。虽然深度学习技术在这个任务上表现出色，但它们的计算需求也带来了挑战。此外，一些尖端的分割方法，虽然对于一般的物体分割非常有效，但可能并不是针对医学图像进行优化的。为了解决这些问题，我们提出了Mini-Net，这是一个专门针对医学图像设计的轻量级分割网络。Mini-Net具有不到38,000个参数，能够高效地捕捉高频和低频特征，从而实现在各种医学成像场景下的实时应用。我们在各种数据集上评估了Mini-Net，包括DRIVE、STARE、ISIC-2016、ISIC-2018和MoNuSeg，证明了它相对于最先进的方法具有鲁棒性和良好的性能。

本文旨在解决医学图像分割中深度学习算法的计算资源需求过高的问题，提出了一种适用于医学图像的轻量级分割网络Mini-Net。

Mini-Net网络具有不到38000个参数，能够高效地捕捉高频和低频特征，实现在各种医学成像场景下的实时应用。

论文在DRIVE、STARE、ISIC-2016、ISIC-2018和MoNuSeg等数据集上评估了Mini-Net的性能，证明了其鲁棒性和优异表现。Mini-Net网络的设计可以为医学图像分割提供更加高效的解决方案。

最近的相关研究包括DeepLab、U-Net、Mask R-CNN等。