论文标题：TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation 论文链接：https://arxiv.org/abs/2102.04306 作者单位：约翰斯·霍普金斯大学 & 电子科大 & 斯坦福大学 同时具有Transformers和U-Net的优点，表现SOTA！性能优于AttnUNet、V-Net等网络，代码刚刚开源！

医学图像分割是开发医疗保健系统（尤其是疾病诊断和治疗计划）的必要先决条件。在各种医学图像分割任务中，U形架构（也称为U-Net）已成为事实上的标准，并取得了巨大的成功。但是，由于卷积运算的固有局部性，U-Net通常在明确建模远程依赖关系方面显示出局限性。设计用于序列到序列预测的transformer已经成为具有先天性全局自注意力机制的替代体系结构，但由于low-level细节不足，可能导致定位能力受到限制。在本文中，我们提出了TransUNet，它同时具有Transformers和U-Net的优点，是医学图像分割的强大替代方案。一方面，Transformer将来自卷积神经网络（CNN）特征图的标记化图像块编码为提取全局上下文的输入序列。另一方面，解码器对编码的特征进行上采样，然后将其与高分辨率的CNN特征图组合以实现精确的定位。

我们认为，借助U-Net的组合，通过恢复本地化的空间信息，可以将Transformers用作医学图像分割任务的强大编码器。 TransUNet在各种医疗应用（包括多器官分割和心脏分割）上均比各种竞争方法具有更高的性能。

内容中包含的图片若涉及版权问题，请及时与我们联系删除