BATS: Resource-Efficient Volumetric Segmentation with Boundary-Aware Mixed-Resolution Tokens
BATS (Boundary-Aware Token Selection) 是一种 3D 医学图像分割架构，通过密集边界预测器识别需要额外分辨率的区域，并构建输入依赖的混合分辨率层级。同质区域用粗粒度表示，边界、薄结构和目标周围保留细粒度 token。BATS 在每个分辨率级别独立预测边界相关性，并通过父簇注意力注入层级祖先 token 以提供跨尺度上下文。在五个公共 CT 和 MRI 数据集上使用 nnU-Net Revisited 协议评估，BATS 在 LiTS Dice 上达到最高分。
发展脉络
- 首次出现BATS: Resource-Efficient Volumetric Segmentation with Boundary-Aware Mixed-Resolution TokensarXiv cs.LG
- 当前判断BATS 的出现表明医学图像分割领域正从追求精度转向资源效率与精度的平衡。这种架构可能降低 3D 分割在临床部署中的硬件门槛，推动 AI 辅助诊断在资源受限环境中的应用。未来可观察的行业信号包括：是否有更多研究采用类似的分辨率分配策略，以及 BATS 是否被集成到主流医学影像分析平台。Agent Pulse · 分析
BATS 是一种资源高效的 3D 医学图像分割架构，旨在降低激活内存和推理成本。传统高性能分割模型维护密集的多尺度特征图，导致高内存和计算开销。BATS 通过密集边界预测器识别需要额外分辨率的区域，并构建输入依赖的混合分辨率层级，同质区域用粗粒度表示，边界、薄结构和目标周围保留细粒度 token。BATS 在每个分辨率级别独立预测边界相关性，防止粗尺度错误抑制细尺度证据。父簇注意力将层级祖先 token 注入局部注意力邻域，提供跨尺度上下文，无需密集多尺度特征图或跨尺度邻居搜索。在五个公共 CT 和 MRI 数据集上使用 nnU-Net Revisited 协议评估，BATS 在 LiTS Dice 上达到最高分，表明其在保持高精度的同时显著降低资源消耗。
BATS 的核心创新在于将计算资源动态分配到边界区域，通过独立预测每个分辨率级别的边界相关性，避免了粗尺度决策对细尺度证据的抑制。父簇注意力机制提供了跨尺度上下文，无需密集多尺度特征图，这可能是降低内存开销的关键。未来可验证的信号包括：BATS 在更大规模数据集上的表现，以及其推理速度与内存占用的具体数值对比。
BATS 的出现表明医学图像分割领域正从追求精度转向资源效率与精度的平衡。这种架构可能降低 3D 分割在临床部署中的硬件门槛，推动 AI 辅助诊断在资源受限环境中的应用。未来可观察的行业信号包括：是否有更多研究采用类似的分辨率分配策略，以及 BATS 是否被集成到主流医学影像分析平台。
BATS 通过降低内存和计算需求，可能减少医学影像 AI 的推理成本，使高性能分割在边缘设备或云服务上更经济。对于提供医学影像分析服务的公司，采用 BATS 可能降低单位任务成本，提升竞争力。可验证的商业信号包括：是否有公司采用 BATS 作为产品基础，或相关专利和许可活动。
BATS 的后续发展可能包括：扩展到更多模态和任务，如 2D 分割或视频分割；与自监督学习结合以提升边界预测的准确性；以及在实际临床工作流中的验证。可验证的下一步是 BATS 是否在更大规模数据集或真实临床数据上保持优势。