医学图像分割方向又来新突破啦！这次是ICRL 2025的投稿论文，提出了一种新型超轻量级CNN架构UltraLightUNet，在参数数量和计算复杂度上极为精简（分别减少333倍和123倍），同时保持了优异的分割性能！

这显然得益于CNN在医学图像分割中的诸多优势：不仅能自动提取图像特征，减少手工设计特征的复杂性；它端到端的训练方式还让模型可以直接从数据中学习，显著提高分割的准确性和效率！

因此对比传统，这种方法更适合处理复杂图像结构和噪声，是医疗图像领域未来的研究趋势，非常推荐有发文需求的同学考虑！我这边也整理好了12篇最新的CNN+医学图像分割论文给大家参考，代码基本都有，希望可以给各位的论文添砖加瓦。

全部论文+开源代码需要的同学看文末

UltraLightUNet: Rethinking U-Shaped Network with Multi-Kernel Lightweight Convolutions for Medical Image Segmentation

方法：论文提出一种超轻量级的多核U形网络UltraLightUNet，用于医学图像分割，通过引入多核倒残差(MKIR)和多焦点注意力机制(MKIRA)提高特征编码和细化能力，在多个医学图像分割基准测试中超越SOTA，特别是在DICE评分上超越了TransUNet，同时参数量和计算复杂度分别减少了333倍和123倍。

创新点：

• 引入了一种新的多核倒残差模块 (MKIR)，通过多种核尺寸的深度卷积实现高效的特征提取。

• 结合卷积多焦点注意力机制 (CMFA)，MKIRA模块在解码阶段对特征进行精细化处理。通过聚焦关键通道和空间区域，增强显著特征，实现更精确的重建和分割，特别在复杂场景中提升了特征辨识和表现能力。

SeUNet-Trans: A Simple Yet Effective UNet-Transformer Model for Medical Image Segmentation

方法：本文提出了一种名为seUNet-Trans的新模型，通过结合CNN的强大特征提取能力和基于Transformer模型的复杂上下文理解，旨在改进医学图像分割，利用像素级嵌入技术简化模型结构，解决传统模型在捕获长程依赖及全局上下文信息方面的不足。

创新点：

• seUNet-Trans将卷积神经网络的强大特征提取能力与基于Transformer模型的复杂上下文理解能力相结合，以推进医学图像分割。

• seUNet-Trans采用像素级嵌入技术，省略了传统的位置嵌入，从而简化了模型架构。

• 通过采用计算简化技术，该论文创建了三种不同的模型（L、M和S），在计算复杂度和模型精度之间探索了权衡。

Rolling-Unet: Revitalizing MLP's Ability to Efficiently Extract Long-Distance Dependencies for Medical Image Segmentation

方法：论文提出了一种结合CNN和多层感知器的新型医学图像分割网络——Rolling-Unet，旨在捕捉长距离依赖而不增加计算成本，并在模糊边界目标的图像分割任务中优于现有方法，同时通过结合R-MLP模块灵活捕获大规模区域特征，填补了传统CNN架构难以学习全局和远程语义信息的研究空白。

创新点：

• Rolling-Unet 模型能够在不增加计算成本的情况下捕获远程依赖关系，显著提升了图像分割性能。

• Lo2模块通过并行连接DOR-MLP和DSC模块，实现了对远程依赖关系和局部上下文信息的同时提取。

• 验证了提取远程依赖关系和局部特征的顺序并不重要，最佳效果来自于并行提取并随后融合。

RotU-Net: An Innovative U-Net With Local Rotation for Medical Image Segmentation

方法：本文提出了一种基于U-Net架构的医学图像分割模型，称为RotU-Net。RotU-Net在U-Net的基础上进行了改进，增加了一个称为“权重旋转器”的模块，以增强网络对前景区域的识别能力，特别是对边缘信息的提取。这种设计旨在提高模型在处理小样本数据集时的性能，同时保留U-Net的优点。

创新点：

• RotU-Net是一种基于U-Net的新型网络，保留了U型结构设计，通过CNN逐层提取特征，并通过权重旋转器计算重要元素的相关性。

• 引入了权重旋转器模块，通过局部图像旋转打破特征图的固定空间结构，使不同位置的特征能够进行远距离交互，并计算其相关性。

关注下方《学姐带你玩AI》🚀🚀🚀

回复“CNN医学”获取全部方案+开源代码

码字不易，欢迎大家点赞评论收藏