摘要
多年来，卷积神经网络（Convolutional Neural Networks, CNNs）在计算机视觉领域占据主导地位，尤其在医学图像处理中，诸如图像分割等任务广泛采用U-Net等网络结构。然而，基于自注意力机制的视觉Transformer（Vision Transformers, ViTs）的出现，似乎正在改变传统卷积运算的主导趋势。在本研究中，我们对比了多种网络架构——包括U-Net、ViTs以及ConvMixer——在医学语义分割任务中的表现。所有模型均在DRIVE数据集上从零开始训练，并在对应的私有测试集上进行评估，以判断各模型在分割任务中的性能优劣。本研究的主要贡献在于：表现最佳的模型（ConvMixer）融合了ViT的核心思想（将图像划分为块进行处理），同时保留了U-Net的底层构建模块（卷积操作）。这种混合架构不仅在性能上优于单独使用的ViTs（UNetR/Swin-Unet的DICE分数分别为0.80和0.80，标准差0.077）以及U-Net（DICE=0.82），达到了0.83的DICE分数，而且显著减少了模型参数量——仅为297万（2.97M），远低于UNetR（104M）、Swin-Unet（27M）和U-Net（31M）等模型。这一结果表明，在解决图像分割等任务时，无需盲目依赖大规模模型；通过合理组合最优结构组件，小型化但设计精良的网络架构同样能够取得更优的性能，从而为高效、轻量级医学图像分析提供了新的思路。