点击下方“ReadingPapers”卡片，每天获取顶刊论文解读
论文信息
题目：LB-UNet: A Lightweight Boundary-assisted UNet for Skin Lesion Segmentation
LB-UNet：一种用于皮肤病变分割的轻量级边界辅助UNet
作者：Jiahao Xu and Lyuyang Tong
源码链接：https://github.com/xuxuxuxuxuxjh/LB-UNet
论文创新点
轻量级边界辅助UNet（LB-UNet）模型的提出：作者提出了一种新的轻量级边界辅助UNet（LB-UNet），专门针对皮肤病变分割任务。这种模型不仅在参数数量上实现了显著的减少，而且在处理皮肤病变分割中的模糊边界问题上表现出色。
Group Shuffle Attention（GSA）模块的引入：LB-UNet引入了Group Shuffle Attention（GSA）模块，这一模块通过将输入分成不同的组并在每个组内使用Hadamard Product Attention来减少模型的参数数量。与以往的方法不同，GSA不改变注意力的轴，而是利用Group Shuffle操作来更有效地捕获信息。
Prediction Map Auxiliary（PMA）模块的创新：为了增强模型在处理模糊边界时的分割能力，作者引入了Prediction Map Auxiliary（PMA）模块。PMA由三个子模块组成：分割区域和边界预测模块（RBP）、预测信息融合模块（PIF）和基于遗传算法的边界生成器（GBG）。特别是，GBG模块采用了基于遗传算法的关键点选择方法，这在以往的研究中并不常见，能够生成更高质量的边界关键点。
摘要
皮肤病变分割在皮肤病变的计算机辅助诊断和治疗中至关重要。UNet及其变体已被广泛用于皮肤病变分割。然而，资源限制限制了在边缘设备上部署更大参数模型。为了解决这个问题，作者提出了一种新的轻量级边界辅助UNet（LB-UNet）用于皮肤病变分割。LB-UNet结合了Group Shuffle Attention模块（GSA）以显著减少模型的参数和计算需求。此外，为了增强模型的分割能力，特别是在处理模糊边界时，LB-UNet引入了Prediction Map Auxiliary模块（PMA）。简而言之，PMA由三个模块组成：（1）用于预测解码器特征的分割区域和边界的分割区域和边界预测模块；（2）通过遗传算法生成真实边界图的基于GA的边界生成器；（3）通过利用预测信息增强跳跃连接的预测信息融合模块。通过结合这些模块，区域和边界信息有效地集成到主干中。在ISIC2017和ISIC2018数据集上的实验结果表明，LB-UNet优于当前的轻量级方法。据作者所知，LB-UNet是第一个参数计数限制在38KB以内，Giga-Operations Per Second（GFLOPs）限制在0.1以内的模型。
关键词
皮肤病变分割 · 轻量级 · 边界辅助
2 LB-UNet
2.1 架构概述
我们提出的LB-UNet的架构如图2（a）所示。LB-UNet是一个基于UNet的模型，由编码器、解码器和PMA组成。编码器和解码器由六个阶段组成，通道大小为{8, 16, 24, 32, 48, 64}。前三个阶段使用内核大小为3的常规卷积层，而最后三个阶段使用GSA，提供了减少的参数计数和计算需求。在编码器的下采样中，我们用2×2卷积操作替换了最大池化操作。此外，在第三阶段的编码器的卷积操作之后，我们加入了在ConvUNeXt中表现出色的ConvLayer。PMA与UNet框架很好地集成，在第2-6阶段执行分割区域预测，在第2-4阶段执行边界预测。与UNet中的简单跳跃连接不同，LB-UNet采用了基于预测的跳跃连接，并使用PIF专注于分割区域和边界信息。
2.2 Group Shuffle Attention模块
由于深度网络中卷积层的参数很高，我们引入了GSA来替换它，如图2（b）所示。首先，我们根据通道将输入分成四组，并分别处理每组，有效地减少了参数。然后，对于每组，我们使用线性复杂度HPA构建一个8×8的共享内存用于信息检索。最后，我们应用洗牌操作来调整组的顺序，并沿着通道维度将它们合并，然后使用深度可分离卷积来融合信息。
2.3 Predictive Map Auxiliary模块
为了提高边界分割能力，我们提出了PMA。PMA由三部分组成：RBP、PIF和GBG。分割区域和边界预测模块：我们提出了RBP，它使用两个独立的卷积模块。一个模块专门用于预测分割区域，而另一个模块专注于预测边界。为了保留这些预测信息，我们进一步采用了残差注意力方案。上述过程可以用公式（1）和（2）表示。
