Trans2Unet: Neural fusion for Nuclei Semantic Segmentation

核分割，尽管在组织病理图像分析中具有基础作用，但仍然是一个具有挑战性的工作。这项任务的主要挑战是存在重叠区域，这使得分离独立的细胞核更加复杂。在本文中，我们提出了一种新的双分支架构，通过结合Unet和TransUnet网络来进行核分割任务。在所提出的架构中，即Trans2Unet，输入图像首先被送入Unet分支，其最后一个卷积层被移除。该分支使网络结合来自输入图像不同空间区域的特征，并更加精确地定位感兴趣的区域。输入图像也被送入第二个分支。在第二个分支中，称为TransUnet分支，输入图像将被分成图像块。在架构中使用Vision Transformer（ViT），TransUnet可以作为医学图像分割任务的强大编码器，并通过恢复局部空间信息来增强图像细节。为了提高Trans2Unet的效率和性能，我们提出了将TransUnet与计算效率较高的变体"WASP-KC"模块相结合的方法，该模块受到"WASP"模块的启发。在2018年数据科学碗基准测试上的实验结果显示，与先前的分割模型相比，所提出的架构的有效性和性能。

基于Unet和TransUnet网络的核分割

将Unet和TransUnet网络结合，提出了Trans2Unet网络，通过Waterfall Atrous Spatial Pooling with Skip Connection模块增强性能

实验结果表明，Trans2Unet网络在2018 Data Science Bowl基准测试中表现出了很好的性能，值得进一步研究

最近的相关研究包括：1. "Deep learning for nuclei segmentation: a review" 2. "Nuclei segmentation using deep learning: A survey"