即插即用系列（代码实践） | CMPB PMFSNet：多尺度特征自注意力网络，打破轻量级医学图像分割的性能天花板

论文题目：PMFSNet: Polarized Multi-scale Feature Self-attention Network For Lightweight Medical Image Segmentation中文题目：PMFSNet：用于轻量级医学图像分割的极化多尺度特征自注意力网络论文出处：arXiv 2024 (电子科技大学 四川大学华西口腔医院)论文原文 (Paper)：https://arxiv.org/abs/2401.07579代码 (code)：https://github.com/yykzjh/PMFSNet摘要：本文提取自图像分割领域的最新轻量化佳作《PMFSNet》。在医学图像分割领域，虽然基于 Transformer 的大模型（如 Swin-Unet）性能卓越，但其动辄几千万的参数量不仅让临床边缘设备（如便携式超声仪）难以部署，更在数据量有限的医学数据集上极易引发过拟合。本文复现了该网络的核心架构——PMFS（极化多尺度特征自注意力）。该方案巧妙借用了“极化（Polarized）”思想，将通道与空间注意力彻底解耦计算，并在特征融合阶段引入多尺度堆叠。它能在维持甚至超越大模型分割精度的同时，将网络整体参数量压缩至极其惊人的 1M 以下（实测仅0.5M~0.9M）！这是算力贫民窟玩家做三维医疗影像（3D CT/MRI）的绝对救星。目录第一部分：模块原理与实战分析1. 论文背景与解决的痛点2. 核心模块原理揭秘3. 架构图解4. 适用场景与魔改建议第二部分：核心完整代码第三部分：结果验证与总结第一部分：模块原理与实战分析1. 论文背景与解决的痛点在医学图像分割任务中，医生通常需要对极其微小的病灶或边界模糊的器官进行像素级标注。目前的网络设计陷入了“算力无底洞”：大模型的算力与显存灾难：为了捕获全局上下文，大家疯狂堆叠 Self-Attention。标准的自注意力由于具有O ( N 2 ) O(N^2)O(N