LightMIS: Ultra-Lightweight Medical Image Segmentation Without a Stage-Wise Decoder
Andrei Arhire, Mihaela-Elena Breabăn, Radu Timofte
cs.CV
2026-09-24
LightMIS用一次对齐聚合替代U-Net逐级解码器，满配0.131M参数，六数据集宏观Dice 86.71%，距Mobile U-ViT差0.04点，DRIVE配对显著领先，手机真机中位延迟138 ms。
医学分割默认还是 U-Net：编码器逐级下采样，解码器逐级上采样，skip 把两边接回去。后来的轻量工作把卷积、注意力、MLP 换瘦了，骨架大多仍是对称解码。点诊设备、手机、算力紧的临床场景里，这条解码路径本身就是参数和访存税。
LightMIS 问的是：五级编码器的层次特征对齐一次、聚合一次，还要不要那条逐级解码路径。
「没有逐级解码器」写得很死：没有学出来的分辨率恢复级联，也没有逐级 skip 融合。双线性对齐和最后把 logit 拉回原图还在。
五级编码器，每级一个 Adaptive Fusion Cascade（AFC）。先做 Adaptive Kernel Fusion（AKF，从 AULUNet 改来，用通道门控混合 3×3 与膨胀 3×3 深度卷积），再进 Progressive Receptive Fusion（PRF），最后残差 AKF。级间 2×2 平均池化加 1×1 投到下一级通道。
PRF 把通道临时扩到 2C，切成三路：3×3、膨胀 3×3、5×5。前一路的通道均值加到下一路再卷积，拼回去后用可学标量做残差。窄网络靠临时扩宽和互补感受野撑表示，不把整网通道拉宽。
五级输出经 Scale-Aligned Projection（SAP）投到同一通道宽 F，双线性对齐到第二级分辨率，拼接后 1×1 压回 F，再过一个 AFC 出图。
三档只改通道：T 是 (3,6,10,16,24)、F=10，0.017M 参数、0.099 GFLOPs；S 是中间档；满配 (10,20,32,48,80)、F=32，0.131M、0.575 GFLOPs（输入 3×256×256）。
评测嵌进 nnU-Net v2.3.1 的 2D 配置，DRIVE、Kvasir-SEG、DSB18、BUSI、ISIC-2017、ISIC-2018 六套，五折从零训 200 epoch，关掉 deep supervision，无后处理。对照只用有官方实现的模型，同一套预处理和划分。
模态宏观把 ISIC 两年合成皮肤镜一项，再和内镜、眼底、超声、显微五模态等权：
| 模型 | 参数 | GFLOPs | 宏观 Dice | 宏观 IoU | 平均 Dice 名次 |
| LightMIS | 0.131M | 0.575 | 86.71 | 78.99 | 3.42 |
| Mobile U-ViT | 1.390M | 3.294 | 86.75 | 79.07 | 4.00 |
| nnWNet | 7.044M | 10.618 | 86.51 | 78.84 | 4.50 |
| nnU-Net | 33.472M | 14.882 | 86.58 | 78.74 | 4.58 |
相对后三家，参数少 90.58% 到 99.61%，GFLOPs 少 82.54% 到 96.14%。宏观 Dice 只比 Mobile U-ViT 低 0.04 点。
DRIVE 上 Dice 82.15、IoU 69.82，六套里最高，且对这三家的配对检验过关。Kvasir-SEG 89.87，nnU-Net 90.02。BUSI 80.16，Mobile U-ViT 80.90。DSB18 边界最好，HD95 4.59、ASSD 1.53。配对检验只在 DRIVE 上对三家同时显著，其余数据集不能解读成打平。
摩托罗拉 Moto G24 Power 的 Mali-G52 上，三档都 100% GPU 委托，P50 从 T 的 53.31 ms 到满配 138.31 ms。同设备 Mobile U-ViT 657.20 ms，nnWNet 1454.44 ms。AULUNet 只要 18.53 ms；UNeXt 理论 0.577 GFLOPs、真机 42.14 ms，满配 LightMIS 在相近 FLOPs 下慢三倍。GFLOPs 对不齐真机延迟。
消融里五级最好，六级参数近似翻倍、重叠还掉。参数对齐的预测头：只用最深层，DRIVE Dice 掉到 52.62；SAP 加最终 AFC 宏观 82.97，轻量 U-Net 解码器 82.38。
给的是「砍掉逐级解码、对齐一次」这条路在统一 nnU-Net 协议下能走到哪里。13.1 万参数打到和 139 万参数的 Mobile U-ViT 几乎同一宏观 Dice，眼底血管这种细结构还更好。适合要上手机、又接受 2D 二值分割的场景。不是全面第一，是准确率对体积的一个权衡点。
作者列得很全：只有公开 2D 二值分割；nnU-Net 统一协议对依赖预训练或自家优化器的模型可能吃亏；DRIVE 和 ISIC 是把官方划分混在一起再交叉验证，不是挑战赛官方测试；除 DRIVE 外直接拉到 256×256，不保长宽比；图像级划分，同一受试者可能漏进不同折；宏观平均差很小，配对区间多数跨 0；手机只测了一块 Mali-G52，测的是委托推理不是完整应用。ResAKF 在 ISIC 和 DSB18 上还略伤分，留下是因为宏观更好。没有前瞻临床评估。