UneXt 基于MLP的快速医学图像分割网络
1.multilayer perceptron (MLP) 多层感知机 1.multilayer perceptron (MLP) 多层感知机
2.参数量减少了72倍，计算复杂度降低了68倍，推理速度（inference speed）提高了10倍 2.参数量减少了72倍，计算复杂度降低了68倍，推理速度（inference speed）提高了10倍
根据其实验结果表，同结构U-Net参数量31.13M，UNeXt参数量1.47M 根据其实验结果表，同结构U-Net参数量31.13M，UNeXt参数量1.47M
3.transformer可以学习到对图像的全局理解 3.transformer可以学习到对图像的全局理解
5.在ISIC skin lesion dataset and Breast UltraSound Images (BUSI) dataset两个数据集上进行测试 5.在ISIC skin lesion dataset and Breast UltraSound Images (BUSI) dataset两个数据集上进行测试
ISIC 2018数据集 由2594张图片组成，将所有的图像大小调整为512*512 ISIC 2018数据集 由2594张图片组成，将所有的图像大小调整为512*512
BUSI总共有647张图像，将大小调整为256*256 BUSI总共有647张图像，将大小调整为256*256
损失函数：二元交叉熵BCE+DICE损失： 损失函数：二元交叉熵BCE+DICE损失：
L
= 0
.
5
BCE
(ˆ
y, y
) +
Dice
(ˆ
y, y
) L = 0 . 5 BCE (ˆ y, y ) + Dice (ˆ y, y )
Adam优化器（学习率为0.0001，动量为0.9） Adam优化器（学习率为0.0001，动量为0.9）
余弦退火学习速率调度器（最小学习率达到了0.00001） 余弦退火学习速率调度器（最小学习率达到了0.00001）
batch_size=8,epoch=400 batch_size=8,epoch=400
L = 0 . 5 BCE (ˆ y, y ) + Dice (ˆ y, y ) Adam优化器（学习率为0.0001，动量为0.9） 余弦退火学习速率调度器（最小学习率达到了0.00001） batch_size=8,epoch=400
6.Unext前三个stage和Unet一样，最后两个Stage是Tokenized MLP Block（简称为Tok-MLP) 6.Unext前三个stage和Unet一样，最后两个Stage是Tokenized MLP Block（简称为Tok-MLP)
Tok-MLP由两个shifted MLP组成，一个沿width维度，一个沿height维度 Tok-MLP由两个shifted MLP组成，一个沿width维度，一个沿height维度
其中c1=32，c2=64，c3=128，c4=160，c5=256
Tokenized MLP Block结构如下：
在 Tokenized MLP Block模块中，含有两个Shifted MLP，一个沿着width维度，一个沿着height维度：
Shifted MLP在各个局部区域之间传递特征信息，达到global feature的效果
8.F1 score,计算的复杂性用GFLOPs（每秒10亿次的浮点运算数）来衡量
实验了Swin-UNet，但发现在小数据集上存在收敛问题，导致性能较差
swinunet有41.35M个参数，计算复杂性为11.46 GFLOPs.
9.我们还提供了在cpu上操作的平均推理时间，因为护理点设备大多数是低计算力，而且通常没有gpu，CPU是英特尔XeonGoln6140CPU，工作在2.30 GHz
10.训练结果：
11.
而unet的通道数为64，128，256，512，1024，通道数很大，计算量很大
上一篇：
JS实现多线程数据分片下载