医学图像在定量研究和医学诊断中起着至关重要作用,而当前对CT,MRI,X光等医疗影像分析主要还是依靠人工交互式进行,这种方式在临床环境下效率一直都相对较低,在患者就医的高峰期十分容易出现延误治疗最佳时机的情况。目前针对CT,X光的自动图像分割已经有了很多研究成果,但是目前主流分割方法一方面容易导致信息的冗余使用,类似的低层次特征在多个尺度上被多次提取。另一方面,长期的特征依赖没有有效地建模,导致与每个语义类相关的非最佳鉴别特征表示。以及网络过于庞大导致语义分割不管是在存储上还是在速度以上与工业化应用有一定差距。论文通过基于自注意机制来捕获更丰富的上下文依赖关系以减少冗余提高效果,进行模型的压缩提速以便模型在边缘设备上运行。针对肺部气胸数据进行分割问题,借鉴U-Net这样的已经成为医学图像分割领域的常用全卷积神经网络,探索了一种能够集成本地特性及其相应的全局依赖关系,并以自适应的方式突出相互依赖的映射的方法。通过强调相关的特征关联以加强不同模块之间的额外损失,引导注意机制忽略无关信息,聚焦于图像中更多的鉴别区域。其次针对分割模型过于庞大以至于工业部署困难的问题,基于在深度可分卷积的基础上加以通道混洗的策略来加强信息的互通以及计算量的压缩,同时在网络的主网络中添加了短接结构能让网络更容易拟合。然后对模型进行剪枝工作从而压缩模型参数量,减少访存量和计算量从而使得模型的部署门槛降低,以及加速推断。最后完成模型在边缘设备的部署,针对模型进行量化感知训练的方式将模型从Float32量化到Uint8,并且保证模型的DSC没有明显的下降以便能便捷,高效,准确的完成分割任务。