基于Rich-Club特性的轻量化多模态脊柱MR图像分割网络RCLM-Net研究

本文推荐：本研究创新性地基于脑功能网络"Rich-Club"特性构建轻量化神经网络RCLM-Net（Rich-Club Lightweight Net），通过递归残差卷积（Recurrent residual Convolution）模块和紧凑网络结构，在仅保留Unet++ 11%参数量的前提下实现更优的多模态脊柱MR图像（T1/T2/脂肪抑制T2加权）分割性能（Dice=0.8828±0.0251），并成功部署于Jetson Nano B01嵌入式设备，为基层医疗场景的智能辅助诊断提供低算力解决方案。

　　

亮点

• 本研究构建的基于Rich-Club特性的轻量化网络模型RCLM-Net，其参数量仅为经典Unet++的11%，但分割性能优于主流网络。

• 提出的RCLM-Net特别适用于脊柱多模态分割任务，对辅助诊断算法研究具有重要意义。

• 本多模态MRI分割模型可部署于低算力设备，更利于偏远地区网络模型的推广应用。

讨论

本研究提出的新型轻量化多模态脊柱MR分割网络RCLM-Net，在算力消耗评估指标中展现出显著优势：虽保持约115.43G FLOPs的计算量（这对多模态序列图像特征提取至关重要），但参数量远低于同类模型。值得注意的是，FLOPs更低的网络均无法获得可比的分割结果。RCLM-Net较高的FLOPs主要源于其独特的Rich-Club拓扑结构设计——通过增强核心节点间的密集连接（类似脑功能网络中高度互联的"富人俱乐部"节点），在保持轻量化的同时实现了跨模态特征的高效融合。实验数据显示，该网络在Jetson Nano B01嵌入式设备上的实时推理能力，验证了其在基层医疗场景的应用潜力。

结论

本研究基于Rich-Club特性构建的轻量化网络RCLM-Net，在医院提供的MR图像数据集测试中展现出卓越性能：其参数量仅为U-Net++的11%，但获得0.8828±0.0251的Dice分数（U-Net++为0.8477±0.0378）。这种低计算成本与高分性能的组合，使其特别适合缺乏高性能计算设备的基层医疗机构，为脊柱疾病智能诊断系统的普惠化部署提供了新思路。