GCtx-UNet: Efficient Network for Medical Image Segmentation

医学图像分割对于疾病诊断和监测至关重要。尽管当前的分割网络如UNet等非常有效，但是它们在捕捉长程特征方面存在困难。更准确的模型，如TransUNet、Swin-UNet和CS-UNet，具有更高的计算复杂度。为了解决这个问题，我们提出了GCtx-UNet，这是一种轻量级分割架构，可以捕捉全局和局部图像特征，其准确性优于或可与最先进的方法相比。GCtx-UNet使用视觉变换器，利用全局上下文自注意模块与局部自注意模块相结合，建模长距离和短距离空间依赖关系。GCtx-UNet在Synapse多器官腹部CT数据集、ACDC心脏MRI数据集和几个息肉分割数据集上进行了评估。在Dice相似系数（DSC）和Hausdorff距离（HD）指标方面，GCtx-UNet优于基于CNN和变压器的方法，在复杂和小的解剖结构分割方面表现出显著的增益。此外，GCtx-UNet比最先进的方法更高效，模型更小，计算工作量更低，训练和推理速度更快，使其成为临床应用的实用选择。

提出一种轻量级的医学图像分割网络GCtx-UNet，旨在解决当前网络在捕捉长距离特征方面的困难，同时保持较高的准确性。

GCtx-UNet使用视觉Transformer来结合全局和局部自注意力模块，以建模长距离和短距离空间依赖关系，从而捕捉全局和局部图像特征。

GCtx-UNet在多个数据集上进行了评估，并使用Dice相似系数（DSC）和Hausdorff距离（HD）指标进行了比较。结果表明，在复杂和小型解剖结构的分割方面，GCtx-UNet优于CNN和Transformer等现有方法。此外，GCtx-UNet比现有方法更高效，模型规模更小，计算负载更低，训练和推理速度更快。

近期的相关研究包括TransUNet、Swin-UNet和CS-UNet等更准确的模型，以及UNet等传统模型。