최근 몇 년간 UNet 및 TransUNet과 같은 최신 확장 기법이 의료 영상 분할 분야에서 선도적인 방법으로 자리 잡았다. 그러나 이러한 네트워크는 파라미터가 많고 계산 복잡도가 높으며 처리 속도가 느리기 때문에 포인트 오브 케어(point-of-care) 응용 분야에서 빠른 영상 분할에 효과적으로 활용되기 어렵다. 이를 해결하기 위해 우리는 이미지 분할을 위한 컨볼루션 다층 퍼셉트론(MLP) 기반의 네트워크인 UNeXt를 제안한다. UNeXt는 초기 컨볼루션 단계와 잠재 공간(latent stage) 내 MLP 단계를 효과적으로 설계하여 구성하였다. 특히, 컨볼루션 특징을 효율적으로 토큰화하고 프로젝션하는 토큰화된 MLP 블록을 제안하며, MLP를 활용하여 표현을 모델링한다. 성능을 further 향상시키기 위해 입력의 채널을 MLP에 입력하기 전에 이동시켜 국소적 의존성 학습에 집중하도록 설계하였다. 잠재 공간 내에서 토큰화된 MLP를 사용함으로써 파라미터 수와 계산 복잡도를 감소시키면서도 더 우수한 표현력을 제공하여 분할 성능을 향상시킬 수 있다. 또한 인코더와 디코더의 다양한 레벨 간에 스카이프 연결(skip connections)을 포함하고 있다. 다양한 의료 영상 분할 데이터셋에서 UNeXt를 평가한 결과, 기존 최고 수준의 의료 영상 분할 아키텍처 대비 파라미터 수를 72배 감소시키고, 계산 복잡도를 68배 줄이며, 추론 속도를 10배 향상시켰으며, 동시에 더 뛰어난 분할 성능을 달성하였다. 코드는 https://github.com/jeya-maria-jose/UNeXt-pytorch 에서 공개되어 있다.