中文摘要: 皮肤病变图像分割在皮肤病变诊断中至关重要。然而，基于深度学习的皮肤病变分割模型计算成本高和推理速度慢，难以部署在计算能力有限的皮肤镜设备上。针对上述问题，本研究提出了一种超轻量实时分割网络。首先，采用深度可分离卷积代替标准卷积，设计了相对轻量的编解码网络架构，以降低模型复杂度和计算量。其次，在跳跃连接处加入了多级语义特征融合模块，有效缩小了浅层特征与深层特征的语义差距。此外，提出了多尺度特征融合模块以增强模型学习上下文信息的能力。最后，引入空间和通道注意力模块以关注重要特征。实验表明，ULRTS-Net在ISIC2016和PH2数据集上的Jaccard指数分别达到85.78%和89.95%，仅有0.407M的模型参数量和1.51 GFLOPs。相比其他方法，ULRTS-Net在低计算成本下实现了快速精准的分割，验证了其有效性。