本文提出了一种名为 BEFUnet 的创新 U 形网络，它通过增强融合身体和边缘信息来实现精确的医学图像分割，该方法在医学图像分割数据集上显示出优于现有方法的卓越性能。

Feb, 2024

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

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

通过整合卷积和 Transformer 的优点，提出了一种名为 BRAU-Net++ 的混合 CNN-Transformer 网络，用于精确的医学图像分割任务。该网络通过使用双层路由注意力作为核心构建块来设计层次化编码器 - 解码器结构，以学习全局语义信息并降低计算复杂性。通过在跳跃连接中结合通道 - 空间注意力，最小化局部空间信息损失并放大多尺度特征的全局维度交互。在三个公共基准数据集上进行广泛实验，表明我们提出的方法在几乎所有评估指标上超过了包括其基准：BRAU-Net 在内的其他最先进方法。

Jan, 2024

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

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

通过结合 Transformer 架构与卷积神经网络（CNNs）的优势，提出一种优化的体积型医学图像分割网络 LHU-Net，旨在在初期层次优先进行空间特征分析，然后转向更深层次的基于通道的特征，从而全面提取特征，取得了具有高效性和准确性的卓越性能。

Apr, 2024

本篇论文提出了一种名为 Axial Fusion Transformer UNet (AFTer-UNet) 的方法，它结合了卷积层和 Transformer 的优势，同时考虑了切片内和切片间的长距离信息，在医学图像分割中优于现有技术。

Oct, 2021

本文介绍了用于医学图像分割的 TransFuse 并行网络结构，将 Transformers 和 CNNs 并置，以有效地捕捉全局依赖关系和低级别空间细节，且使用了一种新的特征融合方法 —BiFusion 模块来融合两个分支的多级特征。实验结果表明，TransFuse 在医学图像分割任务中的性能优于目前最先进的技术，同时在参数数量和推断速度上也有显著改进。

Feb, 2021

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