摘要

Transformer架构的兴起彻底改变了医学图像分割领域，催生了将卷积神经网络（CNN）与Transformer相结合的混合模型，显著提升了分割精度。然而，这类模型通常存在结构复杂度高、忽视空间特征与通道特征之间协同关系的问题，而这种协同关系对于实现高精度分割至关重要。为此，我们提出LHU-Net——一种面向三维医学图像分割的轻量化混合U-Net架构，其设计思想是先对空间特征进行分析，再处理通道特征，从而实现更高效的特征提取。在五个基准数据集（Synapse、LA、Pancreas、ACDC、BRaTS 2018）上的实验表明，LHU-Net在保持卓越性能的同时，展现出显著的计算效率优势：在ACDC数据集上取得了92.66的Dice分数，参数量仅为当前领先模型的15%，计算需求降低至四分之一，且无需预训练、额外数据或模型集成。这一成果在仅使用不到1100万参数的前提下，开创了医学图像分割领域在计算效率与精度之间平衡的新标杆。该研究证明，在医学图像分割任务中，实现高精度与低计算开销的兼顾是切实可行的。LHU-Net的完整代码已开源，可供研究社区免费使用，访问地址为：https://github.com/xmindflow/LHUNet。