基于深度可分离卷积的轻量化U-Net皮肤病变分割模型LMSAUnet：提升临床诊断效率的新突破

《Scientific Reports》：Lightweight Unet with depthwise separable convolution for skin lesion segmentation

　　本研究针对皮肤病变医学图像分割中存在的边界模糊、计算资源消耗大等临床挑战，提出了一种轻量化分割模型LMSAUnet。该模型通过引入结合深度可分离卷积与注意力机制的ECDF模块，在参数量仅为0.39M的情况下，在ISIC2018数据集上Dice系数达到0.8792，显著优于现有主流模型。研究成果为资源受限的临床环境提供了高效、准确的解决方案，具有重要的临床应用价值。

　　

在全球范围内，皮肤疾病影响着超过30亿人，成为第四大非致命性疾病负担。其中，恶性黑色素瘤导致的皮肤癌死亡占比高达73%。研究表明，早期诊断可将五年生存率提升至95%，而晚期诊断仅剩20%，这凸显了精准早期诊断的紧迫性。然而，皮肤病变的异质性（如颜色形态多变）和外部干扰（毛发遮挡、光照不均等）使得人工识别困难重重。尽管皮肤镜等工具能辅助观察，但仍依赖医师主观判断，导致诊断效率受限。

在实际临床应用中，医学图像中的病变区域轮廓往往因成像设备、肤色差异等因素变得模糊不清。同时，现有深度学习模型通常结构庞大、计算昂贵，难以满足临床对效率和部署便捷性的要求。特别是当模型参数超过25M时，GPU推理延迟大于50ms，无法满足皮肤镜动态检查等实时需求。更严峻的是，模型在跨中心测试中性能下降高达18.7%，对毛发遮挡>15%的图像，Dice系数平均下降23.5%，这些因素严重制约了其在真实临床场景中的应用价值。

针对临床皮肤病变自动分割对效率和实用性的双重需求，西北师范大学的研究团队在《Scientific Reports》上发表了题为"Lightweight Unet with depthwise separable convolution for skin lesion segmentation"的研究论文，提出了一种新型轻量化分割模型LMSAUnet。该模型基于传统U-Net架构进行创新改进，通过深度可分离卷积与空间-通道注意力机制的融合，在多个公共数据集上实现了参数量小于0.4M的精准分割性能，展现出优异的跨域泛化能力。

研究方法上，作者主要采用了基于U-Net的编码器-解码器架构设计，创新性地开发了ECDF（Efficient Channel and Depthwise Feature）模块替代传统卷积操作。该模块利用深度可分离卷积降低计算复杂度，结合空间-通道注意力机制增强对关键区域的特征响应。实验使用ISIC2016、2017、2018和PH2四个公开皮肤病变数据集进行训练和测试，采用AdamW优化器和联合损失函数（交叉熵损失与IoU损失）进行模型优化，通过Dice系数、交并比（IoU）等指标全面评估分割性能。

模型架构设计

LMSAUnet保留了经典U型编码-解码结构，但针对传统UNet参数量爆炸问题进行了关键改进。编码器采用四阶段增量结构，每个阶段包含ECDF模块和2×2下采样操作。解码器部分对称地使用双三次插值上采样，并通过跳跃连接融合细节信息。这种设计在保持特征提取能力的同时，显著降低了模型复杂度。

ECDF模块创新

该研究的核心创新在于ECDF模块的设计，其通过通道压缩因子N控制中间层特征图通道数，利用深度可分离卷积提取空间特征，再通过点卷积进行通道融合。模块还集成了并行计算的空间注意力和通道注意力机制，通过可学习权重动态调整两种注意力的重要性，增强了对病变区域的显著性感知。

消融实验结果

研究表明，ECDF模块可灵活嵌入SegNet、TransUNet等主流架构，在参数量减少约47倍、FLOPs降低4.4倍的情况下，SegNet的Dice系数反而提升0.0069。空间-通道注意力机制的引入使模型准确率提升0.0299，Dice系数提升0.0244，证明了其有效性。通道压缩因子N=8时在模型性能和效率间达到最佳平衡。

跨数据集性能

在ISIC2018数据集上，LMSAUnet的Dice系数达到0.8792，交并比0.846，准确率0.9262，均优于对比模型。特别是在PH2外部数据集上的交叉测试中，模型表现出良好的泛化能力，准确率、Dice系数和平均交并比均保持领先，验证了其临床适用性。

可视化分析

从分割效果可视化可以看出，在复杂环境下，TransUnet、BiseNet和SegNet因毛发和肤色干扰出现分割错误，DeepLabV3存在边缘模糊问题，而LMSAUnet能够最佳地完成分割任务，同时保持最轻量级的模型设计。

研究结论表明，LMSAUnet通过深度可分离卷积和注意力机制的创新结合，成功解决了皮肤病变分割中的准确性与计算效率矛盾。ECDF模块的低耦合特性使其能够灵活集成到各种网络架构中，显著提升模型性能的同时降低资源消耗。尽管在微小病变突起处仍存在约2像素的平均误差，但模型在推理速度和跨域适应性方面已满足实用要求。

该研究的重要意义在于为资源受限的临床环境提供了可行的技术解决方案，推动了轻量化深度学习模型在医学图像分析中的实际应用。未来工作将聚焦于引入可学习亚像素卷积层减轻信息损失，开展大规模临床前瞻性研究验证模型效能，并开发适用于移动医疗设备的轻量化版本，进一步提升模型在真实医疗场景中的实用价值。