
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于先进深度学习模型的轻量级挤压激励框架用于胸部X光图像中的稳健肺部分割
《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》:Advanced Deep Learning Model-Based Lightweight Squeeze-and-Excitation Framework for Robust Lung Segmentation in Chest X-Ray Images
【字体: 大 中 小 】 时间:2026年08月30日 来源:ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING 3.1
编辑推荐:
摘要在胸部 X 光片(CXRs)中进行准确的肺部分割对于针对呼吸系统疾病的计算机辅助诊断系统至关重要。然而,当前的深度学习模型存在一个权衡:它们要么计算量大,限制了在资源受限的临床环境中的部署,要么轻量化但牺牲了边界精度。为了解决这一挑战,我们提出了一种轻量级混合框架,该框架
在胸部 X 光片(CXRs)中进行准确的肺部分割对于针对呼吸系统疾病的计算机辅助诊断系统至关重要。然而,当前的深度学习模型存在一个权衡:它们要么计算量大,限制了在资源受限的临床环境中的部署,要么轻量化但牺牲了边界精度。为了解决这一挑战,我们提出了一种轻量级混合框架,该框架解决了基于 MobileNet 的 UNet3+ 架构固有的通道容量不匹配问题,这是先前轻量级改编中忽视的一个结构性局限。具体来说,将挤压 - 激励(Squeeze-and-Excitation)注意力块嵌入到全尺度跳跃连接中,以重新校准通道间特征响应,使轻量级编码器能够在没有信息瓶颈的情况下有效地向密集的多尺度解码器提供数据。该框架将预训练的 MobileNet-V2 编码器与深度监督及测试时增强(Test-Time Augmentation)相结合,以在执行推理期间强制实施边界感知梯度流和空间不变性。该模型拥有 255 万个参数,与标准 UNet3+ 相比,计算复杂度降低了 98.4%(从 1891.71 降至 29.76 GFLOPs)。在三次公开基准测试下的五折交叉验证评估结果显示,在 Montgomery 数据集上的 Dice 相似系数为 98.72%,在 JSRT 上为 98.62%,在深圳数据集上为 97.10%,同时实现了精确的边界跟踪,平均对称表面距离低至 0.96 像素,95 百分位豪斯多夫距离为 2.68 像素。跨数据集验证确认了模型在独立临床队列中具有强大的泛化能力,而基于梯度的类激活映射(Gradient-weighted Class Activation Mapping)解释验证了模型能够准确定位临床相关的解剖边界。在 NVIDIA Tesla T4 GPU 上实现 281 毫秒的推理延迟,这为床旁诊断提供了一种高保真、可解释且资源高效的解决方案。
在胸部 X 光片(CXRs)中进行准确的肺部分割对于针对呼吸系统疾病的计算机辅助诊断系统至关重要。然而,当前的深度学习模型存在一个权衡:它们要么计算量大,限制了在资源受限的临床环境中的部署,要么轻量化但牺牲了边界精度。为了解决这一挑战,我们提出了一种轻量级混合框架,该框架解决了基于 MobileNet 的 UNet3+ 架构固有的通道容量不匹配问题,这是先前轻量级改编中忽视的一个结构性局限。具体来说,将挤压 - 激励(Squeeze-and-Excitation)注意力块嵌入到全尺度跳跃连接中,以重新校准通道间特征响应,使轻量级编码器能够在没有信息瓶颈的情况下有效地向密集的多尺度解码器提供数据。该框架将预训练的 MobileNet-V2 编码器与深度监督及测试时增强(Test-Time Augmentation)相结合,以在执行推理期间强制实施边界感知梯度流和空间不变性。该模型拥有 255 万个参数,与标准 UNet3+ 相比,计算复杂度降低了 98.4%(从 1891.71 降至 29.76 GFLOPs)。在三次公开基准测试下的五折交叉验证评估结果显示,在 Montgomery 数据集上的 Dice 相似系数为 98.72%,在 JSRT 上为 98.62%,在深圳数据集上为 97.10%,同时实现了精确的边界跟踪,平均对称表面距离低至 0.96 像素,95 百分位豪斯多夫距离为 2.68 像素。跨数据集验证确认了模型在独立临床队列中具有强大的泛化能力,而基于梯度的类激活映射(Gradient-weighted Class Activation Mapping)解释验证了模型能够准确定位临床相关的解剖边界。在 NVIDIA Tesla T4 GPU 上实现 281 毫秒的推理延迟,这为床旁诊断提供了一种高保真、可解释且资源高效的解决方案。