PAM-UNet: Shifting Attention on Region of Interest in Medical Images

计算机辅助分割方法可以帮助医务人员提高诊断结果。虽然像UNet及其变体这样的最新进展显示出了希望，但它们面临着一个关键挑战：在准确性和计算效率之间取得平衡。在UNet中，浅编码器架构经常难以捕捉关键的空间特征，导致分割不准确且稀疏。为了解决这个限制，我们提出了一种新颖的基于渐进式注意力的移动网络（PAM-UNet）架构。PAM-UNet中的倒置残差（IR）块有助于保持轻量级框架，而逐层渐进式Luong注意力（PLA）通过在合成过程中将注意力集中在感兴趣的区域，促进了精确分割。我们的方法注重准确性和速度的平衡，在Liver Tumor Segmentation Benchmark（LiTS）2017数据集上只需要1.32浮点运算每秒（FLOPS），并取得了74.65的平均IoU和82.87的Dice得分。这些结果凸显了开发高效的分割模型加速AI在临床实践中应用的重要性。

本论文旨在解决计算机辅助分割方法在精度和计算效率之间的平衡问题。

本论文提出了一种新的PAM-UNet架构，采用渐进式Luong注意力机制和倒置残差块，实现了轻量级框架和精确分割的平衡。

实验结果表明，该方法在Liver Tumor Segmentation Benchmark（LiTS）2017数据集上取得了不错的平衡，平均IoU为74.65，Dice分数为82.87，仅需要1.32 FLOPS。本论文的亮点在于提出了一种轻量级的分割模型，并使用了渐进式Luong注意力机制，可以在保证精度的同时提高计算效率。

在相关研究方面，最近的研究包括UNet及其变种，但它们在平衡精度和计算效率方面存在一些限制。