UneXt 基于MLP的快速医学图像分割网络

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

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

 4.几乎所有的上述工作都集中在提高网络的性能（精度），而不是太关注计算复杂度、推理时间或参数的数量，这些在许多现实应用中是必不可少的

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

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：

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)

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

7.在原文该部分段落中，介绍到该操作受启发于 Swin Transformer，实际上再细致一点，是受启发于 Swin 的窗的设计

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