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

本研究提出了Dual Swin Transformer U-Net (DS-TransUNet)框架，它是第一次尝试将Swin Transformer的优势同时融入到标准U形架构的编码器和解码器中，以提高不同医学图像的语义分割质量。实验表明，DS-TransUNet显著优于现有的医学图像分割方法。

Jun, 2021

提出了一种基于全卷积transformer的医疗图像分割模型，该模型可处理各种数据模态，能够有效地提取输入图像的语义依存关系并捕获其分层全局属性，并在多个数据集上表现优异，相对于同类模型具有参数少的特点。

Jun, 2022

介绍了Dilated-UNet，结合了Dilated Transformer块和U-Net架构，用于快速准确地进行医学图像分割，并在多个具有挑战性的医学图像分割数据集上取得了优于其他模型的成果。

Apr, 2023

本研究采用混合卷积神经网络和Transformer的混合结构，提出了一种具有自适应特征提取能力和具有全局信息建模的方法，用于医学图像分割。实验结果表明，该方法比现有的方法具有更好的医学图像分割结果。

Jun, 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

本研究提出了一种名为DA-TransUNet的新型深度医学图像分割框架，将Transformer和双注意力块引入传统U形架构的编码器和解码器中，通过注意力机制和多方面特征提取来增强医学图像分割，并通过实验结果证明DA-TransUNet在各个医学图像分割基准测试中显著优于现有方法。

Oct, 2023

本研究针对医学图像分割中的分辨率保持和模型透明性两个关键问题，提出了一种新颖的架构MAPUNetR，它结合了变换器模型与U-Net框架的优势。实验结果显示，MAPUNetR在BraTS 2020数据集上获得了0.88的Dice分数，0.92的Dice系数，表明该模型在临床实践中具有明显的性能优势和潜在影响。

Oct, 2024