本文提出了一种新的医学图像分割框架TransUNet，它将Transformers和U-Net结合起来，通过编码全局上下文和恢复本地细节信息来实现更精确的分割，针对不同的医学应用，TransUNet优于其他竞争方法。

Feb, 2021

本文探讨了Transformer网络架构在医学图像分割任务中的可行性，并提出了一种Gated Axial-Attention模型和Local-Global训练策略以提高模型性能。实验表明，在三组不同的医学图像数据集上，该Medical Transformer模型优于卷积和其他相关的Transformer-based架构。

Feb, 2021

本篇论文介绍了一种新的UNETR架构，通过使用Transformer作为编码器，可以捕捉更长程的空间依赖性，同时保持“U形”的网络设计。实验证明，在多个数据集上，该方法在多器官分割任务上取得了最新的最优性能。

Mar, 2021

本文提出了一种新颖的多尺度架构C2FTrans，它将医学图像分割形式化为粗-细过程。其中包含了一个跨尺度全局Transformer和一个边界感知局部Transformer，能够在保持精细的同时降低计算复杂度，并在三个公共数据集上展现了超过现有CNN和基于Transformer的方法的表现。

Jun, 2022

本文综述了基于transformer的视觉分割技术，总结了近期的进展，详细介绍了各种方法设计和应用，并对该领域的未来研究方向进行了探讨。

Apr, 2023

本文提出了一种新的医学图像分割混合架构，手持卷积神经网络和Transformer，用于动态变形卷积和自适应互补注意模块改进卷积神经网络和Transformer的性能，以实现更好的医学图像分割结果。

Jun, 2023

在这篇论文中，我们对近年来最具代表性的四种医学图像分割模型进行了调查。我们从理论上分析了这些模型的特点，并在两个基准数据集（结核病胸部X射线和卵巢肿瘤）上定量评估了它们的性能。最后，我们讨论了医学图像分割领域的主要挑战和未来趋势。我们的工作可以帮助相关领域的研究人员快速建立针对特定区域的医学分割模型。

Aug, 2023

通过在2D TransUNet体系结构的基础上建立在最先进nnU-Net体系结构的基础上，充分探索Transformers在编码器和解码器设计中的潜力，我们引入了两个关键组件：1）一个从卷积神经网络（CNN）特征图中令图像块标记化的Transformer编码器，从而实现全局上下文的提取；2）一个自适应地利用候选区域和U-Net特征之间的交叉注意力进行候选区域的精炼的Transformer解码器。我们的研究发现，不同的医学任务受益于不同的体系结构设计。Transformer编码器在多器官分割中表现出色，其中器官之间的关系至关重要。另一方面，Transformer解码器在处理小而具有挑战性的分割目标（如肿瘤分割）方面更有益处。大量实验证明了将基于Transformer的编码器和解码器集成到U型医学图像分割体系结构中的巨大潜力。TransUNet在各种医学应用中超越竞争对手。

Oct, 2023

我们提出了一种简单而有效的UNet-Transformer（seUNet-Trans）模型，用于医学图像分割，结合了CNN-based模型和Transformer模型，在多个医学图像分割数据集上进行了广泛实验，显示出优于其他几种先进模型的性能。

Oct, 2023

针对医学图像分割的局限性，我们提出了一种新的架构，Perspective+ Unet。该架构具有三个主要创新点：在编码器阶段引入了双通道策略，通过结合传统和扩张卷积的结果，既保持了局部感知域又显著扩展了它，从而更好地理解图像的全局结构；采用高效的非局部变换块ENLTB来有效地捕捉长程依赖关系，具有线性计算和空间复杂性；采用空间交叉尺度集成策略，在模型阶段跨级别细化特征，以协调全局和局部信息。我们在ACDC和Synapse数据集上进行了实验，结果验证了我们提出的Perspective+ Unet的有效性。

Jun, 2024