LV-UNet: A Lightweight and Vanilla Model for Medical Image Segmentation

尽管计算机视觉中大型模型的进展、优化挑战、Transformer模型的复杂性、计算限制以及实际应用的要求都呼唤医学图像分割模型架构的简化设计，尤其是在需要轻量化和实时性能的移动医疗设备中。然而，一些当前的轻量化模型在不同数据集上表现出较差的鲁棒性，这阻碍了它们的广泛应用。本文提出了一种轻量级的基础模型LV-UNet，它有效地利用了预训练的MobileNetv3-Large模型并引入了可融合模块。在改进的深度训练策略下进行训练，并在推理期间切换到部署模式，减少参数数量和计算负载。在ISIC 2016、BUSI、CVC-ClinicDB、CVC-ColonDB和Kvair-SEG数据集上进行实验，与现有的最先进和经典模型相比，取得了更好的性能。

LV-UNet论文旨在解决医学图像分割领域中轻量级模型的鲁棒性不足问题，提出一种轻量且高效的模型设计方案。

LV-UNet模型采用MobileNetv3-Large预训练模型和可融合模块，通过改进的深度训练策略实现模型的训练和推理，同时减少参数数量和计算负载。

论文在ISIC 2016、BUSI、CVC-ClinicDB、CVC-ColonDB和Kvair-SEG数据集上进行了实验，取得了比现有最先进和经典模型更好的性能。值得关注的是，LV-UNet模型设计简单，易于部署，并且具有较高的鲁棒性。

在医学图像分割领域，最近的相关研究包括EfficientNets、UNet++和Attention UNet等。