SimpleUNet：简单即高效的医学图像分割框架

论文来源

Simple is what you need for efficient and accurate medical image segmentation
Xiang Yu 等（深圳妇幼保健院、南开大学等机构）
Expert Systems with Applications 304 (2026) 130687
DOI: https://doi.org/10.1016/j.eswa.2025.130687
GitHub 开源地址：https://github.com/Frankyu5666666/SimpleUNet

文章信息

关键词：
医学图像分割、轻量级模型、特征选择、模型宽度控制、通道注意力

接收日期： 2025年5月29日
在线发布日期： 2025年12月9日

摘要

在医学图像分割领域，U-Net 虽经典却因参数爆炸与信息冗余难以在资源受限设备上部署。本文作者提出 SimpleUNet——一个极简、高效、准确的分割框架，仅通过三个“简单却被忽视”的策略，就实现了参数极致压缩（最小仅 16 KB）且性能超越多数 SOTA 模型。

核心创新包括：

高效部分特征选择：缓解跳连接冗余
直观模型宽度控制：固定宽度，参数线性增长
极简通道注意力 EECA：几乎零参数开销

在多中心乳腺病灶数据集（MBD）上，16 KB 模型 mDSC 达 82.93%；0.67 MB 增强版 SimpleESKNet 达到 85.76%，参数仅为 TransUNet 的 1/140。代码已开源，支持任意卷积块替换，兼容未来算子升级。

1. 引言

U-Net 自 2015 年提出以来，已成为医学图像分割的“黄金标准”。然而，其编码器阶段性宽度翻倍与跳连接全通道拼接，导致参数指数增长和特征冗余，在边缘设备上难以部署。

作者反思：是否能在不引入复杂模块的前提下，仅靠简单重构就让 U-Net 又轻又强？
答案是肯定的。SimpleUNet 正是这一理念的完美实践——“简单即高效”（Simple is what you need）。

5.1 U-Net.jpg

2. 相关工作

轻量级模型：LF-UNet、LB-UNet、MALUNet、VM-UNet 等，虽参数少但性能仍有提升空间。
重型模型：TransUNet、ESKNet、U-Net++ 等，精度高但参数动辄数十 MB。
本文定位：在 U-Net 框架内，用最朴素的技巧实现“轻量+高性能”，并天然兼容 ESKNet 等先进卷积块。

3. 方法论（核心模块详解 + 代码实现）

SimpleUNet 整体架构与 U-Net 一致，但通过三个模块实现革命性优化。以下结合官方 GitHub 代码（SimpleUNet.py）逐一讲解。

3.1 直观模型宽度控制（Intuitive Model Width Control）

论文思想：传统 U-Net 每阶段宽度翻倍（C → 2C → 4C...），参数爆炸。SimpleUNet 全阶段固定同一宽度（如 64），参数线性增长。

代码实现（__init__）：

self.stage_channels = stage_channels  # e.g. [64, 64, 64, 64, 64]  ← 关键！固定宽度

# Encoder
self.en_layer0 = SingleConv(in_channels, stage_channels[0], ks, dilation)
for i in range(1, self.depth):
    self.down = nn.MaxPool2d(2)
    self.en_layeri = SingleConv(stage_channels[i-1], stage_channels[i], ...)  # 输入输出通道相同！

讲解：只需把 stage_channels 设为常量列表，即实现宽度固定。与特征选择结合后，参数较原 U-Net 减少 60+ 倍（论文 Table 5、7）。

5.2 Contrast.jpg

3.2 高效部分特征选择（Efficient Feature Selection）

论文思想：跳连接不再拼接全部通道（冗余严重）。用 1×1 卷积将 shortcut 压缩至 R×C（默认 R=0.5），深层特征同步匹配。

代码实现（Encoder + Shortcut）：

# 1. 保存原始 shortcut
shortcut = []
x = self.en_layer0(x)
shortcut.append(x)
for i in range(1, self.depth-1):
    x = self.down(x)
    x = getattr(self, f'en_layer{i}')(x)
    shortcut.append(x)

# 2. 特征选择（1×1 压缩）
for i in range(len(shortcut)):
    short_layer = SingleConv(stage_channels[i], int(self.short_rate * stage_channels[i]), kernel_size=1, pad=0)
    refined_shortcut.append(short_layer(shortcut[i]))
re_shortcut = refined_shortcut[::-1]  # 反转供 decoder 使用

Decoder 融合：

y = torch.cat([
    re_shortcut[j] * alpha,                    # 压缩后的 shortcut
    self.up(x * beta)                          # 上采样后的 deep feature
], dim=1)
x = de_layer(y)  # de_layer 输入通道为 short_rate*2C

讲解：short_rate=0.5 时解码器参数大幅减少，同时实验证明冗余率（余弦相似度）显著下降，性能反而提升（Table 4）。

5.3 Selection.jpg

3.3 极简通道注意力 EECA（Extremely Efficient Channel Attention）

论文思想：几乎零参数的通道加权。仅用两组可学习标量 α（shortcut）、β（deep）进行 Hadamard 乘法。

代码实现（初始化）：

if self.adw:  # adw=True 开启 EECA
    for i in range(self.depth-1):
        setattr(self, f'alpha{i}', nn.Parameter(torch.ones(C, 1, 1), requires_grad=True))
        setattr(self, f'beta{i}',  nn.Parameter(torch.ones(C, 1, 1), requires_grad=True))

前向传播中使用：

y = torch.cat([
    re_shortcut[j] * getattr(self, f'alpha{j}'),   # α 作用于 shortcut
    self.up(x * getattr(self, f'beta{j}'))         # β 作用于 deep
], dim=1)

讲解：每个通道仅一个标量，总参数远低于 CBAM（论文 Table 12、18）。宽模型下 mDSC 可提升 0.44%，几乎无额外 FLOPs。

5.4 ECCA.jpg

3.4 整体架构与增强版 SimpleESKNet

默认使用 SingleConv（Conv+BN+ReLU）
替换为 ESKNet 的 SKConvnblockplus 即得 SimpleESKNet（论文 4.4.3）
总参数公式（R=0.5, N=1）：≈ 6 C² k²（较 U-Net 减少 65 倍）

6. SimpleUNet.jpg

4. 实验结果（精选）

模型	参数	MBD mDSC	KVASIR-SEG mDSC	ISIC2018 mDSC
LBUNet	38 KB	81.59%	67.26%	87.85%
SimpleUNet 16KB（Ours）	16 KB	82.93%	73.11%	87.57%
TransUNet	93 MB	85.32%	84.21%	89.02%
SimpleESKNet 0.67MB（Ours）	0.67 MB	85.76%	86.46%	88.77%

推理延迟：最轻模型仅 1.25 ms，远优于多数轻量模型。

5. 代码快速上手

git clone https://github.com/Frankyu5666666/SimpleUNet.git
cd SimpleUNet
pip install -r requirements.txt

推荐配置（高性能版）：

model = SimpleUNet(
    in_channels=3,
    num_cls=2,
    stage_channels=[48]*5,   # 固定宽度
    num_blocks=[4]*5,        # 每阶段 4 个卷积块
    short_rate=0.5,
    adw=True,                # 开启 EECA
    dilation=2,
    ks=3
).cuda()

参数统计（thop）：

from thop import profile
flops, params = profile(model, inputs=(torch.randn(1,3,256,256).cuda(),))
print(f"Params: {params/1e6:.3f} M")   # ≈0.47 MB

6. 结论与展望

SimpleUNet 用最朴素的技巧（固定宽度 + 部分特征选择 + EECA）证明了“简单即高效”的强大生命力。它不仅参数极致轻量、性能领先，还具备极强的可扩展性——想换 Mamba、Depthwise、DCN？只需替换 SingleConv 即可。

局限：当前仅支持二分类 2D 分割。未来可扩展至多类别、3D、去噪等领域。

推荐使用场景：

边缘设备/移动端 → 16 KB 版本
追求极致精度 → 0.67 MB SimpleESKNet

开源代码已上线，欢迎 Star & Fork！
GitHub: https://github.com/Frankyu5666666/SimpleUNet

参考文献
[1] Xiang Yu et al. Simple is what you need... Expert Systems with Applications, 2026.
[2] Gongping Chen et al. ESKNet, 2024.（本文 SimpleESKNet 所用卷积块来源）

SimpleUNet：简单即高效的医学图像分割框架

SimpleUNet：简单即高效的医学图像分割框架

论文来源

文章信息

摘要

1. 引言

2. 相关工作

3. 方法论（核心模块详解 + 代码实现）

3.1 直观模型宽度控制（Intuitive Model Width Control）

3.2 高效部分特征选择（Efficient Feature Selection）

3.3 极简通道注意力 EECA（Extremely Efficient Channel Attention）

3.4 整体架构与增强版 SimpleESKNet

4. 实验结果（精选）

5. 代码快速上手

6. 结论与展望

评论区

SimpleUNet：简单即高效的医学图像分割框架