该研究提出了 Swin-Unet，一种基于 Transformer 的 Unet 用于医学图像分割，它通过层次 Swin Transformer 与 SHIFT 窗口技术来提取上下文特征，使得该纯 Transformer 的编码解码网络在多器官和心脏分割任务方面表现超越传统的基于卷积和变换的方法。

May, 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

本文介绍了一种自我监督学习框架，使用适合医学图像分析的代理任务，成功地在各种人体器官的公开可用的 CT 图像上预训练模型，并在医学分割基准数据集上进行了微调，实现了最先进的匹配结果。

Nov, 2021

利用Swint UNEt TRansformers模型和多模MRI数据对3D颅脑肿瘤进行语义分割，可以转换为序列预测问题，以5个不同分辨率提取特征，通过跳过连接连接到FCNN解码器，并在BraTS 2021分割挑战中表现出优越的性能。

Jan, 2022

该研究提出了一种轻量级体积卷积网络（3D UX-Net），它使用ConvNet模块来适应分层变换器进行稳健的体积分割，与当前SOTA变换器相比表现竞争力，并在三个具有挑战性的公共数据集上显示出更好的Dice系数。

Sep, 2022

本文提出了一个基于深度学习的医学视频分割框架，通过时间特征融合和 Swin Transformer 编码强大的全局空时特征以及使用 UNet 编码解码结构，实现了在VFSS2022数据集上分割性能显著优于其他方法的效果。

Feb, 2023

本文提出了基于异构Swin Transformer和多接受野的U形网络的HST-MRF模型，旨在通过融合不同接受野下的补丁信息解决使用Transformer进行分割时可能造成的结构信息丢失问题。实验结果表明，该方法在多个数据集和任务中均能超过现有的最先进模型并取得优异表现，证实了多接受野分割有助于减少结构信息的丢失。

Apr, 2023

通过引入多视角信息和自监督学习，本研究提出了一种名为SwinMM的新型多视角流水线，以提高医学图像分割预训练模型的准确性和数据效率。

Jul, 2023

基于670个CT和MRI扫描，评估了两个自监督预训练的Transformer模型Swin UNETR和SMIT在肺肿瘤细分领域的可信度。模型表现出了较高的准确性和稳健性，并在不同领域的CT和MRI扫描中展现了良好的分割性能。研究结果有望在临床中指导当前和未来预训练模型的安全开发和应用。

Mar, 2024

通过增强 Swin Transformer，我们的模型 SwinFUSE (Swin 多模态融合的无监督增强) 在医学影像领域从不同的影像模态中学习，提升了下游性能，并展现出了对领域变化的适应性以及显著的泛化能力。

May, 2024