架構設計與參數效率比較

LightMIS專為2D二值醫療影像分割設計，總參數量僅13.1萬（131K）。其核心技術在於直接聚合多尺度編碼器特徵，省去了傳統U-Net架構中需要學習的階段式解碼器。

根據作者提供的數據，在相同的nnU-Net訓練與評估協議下，LightMIS的平均模態宏觀Dice係數與IoU指標接近較重的nnWNet模型。然而，LightMIS使用的參數量比nnWNet減少98.14%，GFLOPs（每秒十億次浮點運算）則減少94.58%。

邊緣裝置實測效能與硬體適配

研究團隊在搭載Arm Mali-G52 MC2 GPU的真實邊緣裝置上進行了測試。結果顯示，完整的LightMIS模型執行速度約為nnWNet的10.5倍。

值得注意的是，所有LightMIS變體均達成了100%的GPU運算子覆蓋率，意味著推理過程完全由GPU處理，不需要回退到CPU進行輔助計算，這對於資源受限的邊緣設備部署具有重要意義。

實驗設定與可重現性

開發過程中，團隊從頭開始訓練了多種流行且輕量級及重量級的醫療影像分割架構，作為對照組。所有實驗均在受控環境中使用nnU-Net v2.3.1進行，涵蓋六個數據集與五種成像模態。

作者表示，開發目標是尋找一種能在這些不同模態間表現良好的輕量級架構，最終導出了目前的LightMIS版本。目前原始碼、模型權重檢查點以及重現結果所需的詳細資訊均已公開提供。