arXiv cs.AI· Sharan Thummagunti, Aayushi Padia, Abhiram Koppuravuri, Prabhu Prasad B M, G N Girish·· 12 小时前AI 评分24
基于改进 CBAM ENet Skip 模型的节能肺肿瘤分割
Energy Efficient Lung Tumor Segmentation with a modified CBAM ENet Skip Model
AI 导读
研究者提出一种轻量节能的肺肿瘤分割模型，在 ENet 架构上加入 UNet 式跳跃连接和轻量 CBAM 注意力模块，仅 430,052 参数、0.549 GMAC，DSC 达 0.90812（阈值 0.5）。
正文 · AI 翻译
摘要：肺肿瘤分割在肺癌的早期检测和治疗规划中起着至关重要的作用。尽管最先进的深度学习模型实现了较高的 Dice 相似系数（DSC），但每次前向传播都需要计算大量浮点运算，导致其计算开销高昂、需要 GPU 加速且推理速度慢，限制了其在真实临床环境中的部署。我们提出了一种轻量级、高能效的模型，利用 ENet 架构实现实时推理能力和低计算成本，并通过在编码器与解码器阶段之间加入 UNet 风格的跳跃连接以实现特征复用，以及采用轻量级卷积块注意力模块（CBAM）来改进特征表示。该模型通过医学分割十项挑战赛（MSD）使用癌症影像档案（TCIA）的公开数据进行训练，并在肺图像数据库联盟与图像数据库资源计划（LIDC-IDRI）数据集上进行评估。我们的模型以 430,052 个参数的紧凑架构和 0.549 Giga 乘加运算（GMAC）实现了 0.90812 的 DSC（阈值为 0.5），使其速度最高提升 10 倍，GMAC 比 UNet 少 79 倍，参数比 SegNet 少 22 倍。这些特性使其非常适合部署在计算资源有限的临床环境中，并降低了使用此类系统的成本。此外，还使用了 Grad-CAM 这一可解释 AI 技术来提供模型预测的视觉可解释性，并识别分割性能需要改进的区域。
| 学科： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.33479 [cs.CV] |
| （或 arXiv:2610.33479v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.33479 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Abhiram Koppuravuri [查看电子邮件]
[v1]
2026年10月24日星期六 06:06:40 UTC（1,618 KB）
来源：arXiv cs.AI · arxiv.org