MALUNet: A Multi-Attention and Light-weight UNet for Skin Lesion Segmentation

要約

近年では、より複雑なモジュールを適用してセグメンテーションの性能を向上させることが望ましいとする先駆的な研究がある。しかし，計算機資源が限られているため，実際の臨床環境では不親切である．そこで、我々は、皮膚病変のセグメンテーションにおいて、最も低いパラメータコストと計算量で、競争力のある性能を達成する軽量なモデルを提案する。簡単に説明すると、我々は4つのモジュールを提案する。(1) DGAは拡張畳み込みとゲート付きアテンション機構からなり、グローバルとローカルの特徴情報を抽出する。(2) IEAは外部アテンションに基づいてデータセット全体を特徴づけ、サンプル間のつながりを強化する。(3) CABは1次元畳み込みと完全連結層からなり、多段特徴量のグローバルとローカルフュージョンを行ってチャンネル軸におけるアテンションマップを生成する。(4) SABは共有2次元畳み込みによって多段特徴を操作して空間軸においてアテンションマップを生成する。この4つのモジュールとU字型アーキテクチャを組み合わせることで、MALUNetと呼ばれる軽量な医用画像分割モデルを得ることができる。本モデルはUNetと比較して、パラメータ数および計算量を44倍および166倍に削減しながら、mIoUおよびDSC指標をそれぞれ2.39%および1.49%向上させることが可能である。さらに、2つの皮膚病変セグメンテーションデータセット（ISIC2017とISIC2018）を用いて比較実験を行う。実験の結果、我々のモデルは、パラメータ数、計算複雑度、セグメンテーション性能のバランスにおいて、最先端を達成することが示された。コードは https://github.com/JCruan519/MALUNet で公開されている。

要約(オリジナル)

Recently, some pioneering works have preferred applying more complex modules to improve segmentation performances. However, it is not friendly for actual clinical environments due to limited computing resources. To address this challenge, we propose a light-weight model to achieve competitive performances for skin lesion segmentation at the lowest cost of parameters and computational complexity so far. Briefly, we propose four modules: (1) DGA consists of dilated convolution and gated attention mechanisms to extract global and local feature information; (2) IEA, which is based on external attention to characterize the overall datasets and enhance the connection between samples; (3) CAB is composed of 1D convolution and fully connected layers to perform a global and local fusion of multi-stage features to generate attention maps at channel axis; (4) SAB, which operates on multi-stage features by a shared 2D convolution to generate attention maps at spatial axis. We combine four modules with our U-shape architecture and obtain a light-weight medical image segmentation model dubbed as MALUNet. Compared with UNet, our model improves the mIoU and DSC metrics by 2.39% and 1.49%, respectively, with a 44x and 166x reduction in the number of parameters and computational complexity. In addition, we conduct comparison experiments on two skin lesion segmentation datasets (ISIC2017 and ISIC2018). Experimental results show that our model achieves state-of-the-art in balancing the number of parameters, computational complexity and segmentation performances. Code is available at https://github.com/JCruan519/MALUNet.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL