DA-TransUNet：将空间与通道双注意力与 Transformer U-Net 融合用于医学图像分割
图像与视频处理
2025-06-09 v2 计算机视觉与模式识别
图形学
机器学习
摘要
准确的医学图像分割对于疾病量化与治疗评估至关重要。尽管传统的 U-Net 架构及其 Transformer 集成变体在自动化分割任务中表现出色，但它们缺乏利用图像内在位置与通道特征的能力。现有模型还受困于参数效率与计算复杂度，这通常源于 Transformer 的广泛使用。为解决这些问题，本研究提出一种名为 DA-TransUNet 的新型深度医学图像分割框架，旨在将 Transformer 与双注意力块（DA-Block）集成到传统 U 形架构中。与早期基于 Transformer 的 U-Net 模型不同，DA-TransUNet 利用 Transformer 和 DA-Block 不仅整合全局与局部特征，还整合图像特定的位置与通道特征，从而提升医学图像分割性能。通过在嵌入层及每个跳跃连接层中引入 DA-Block，我们大幅增强了特征提取能力并改善了编码器-解码器结构的效率。DA-TransUNet 在医学图像分割任务中展现出优越性能，在多个数据集上持续优于最先进的技术。总之，DA-TransUNet 在医学图像分割方面取得了显著进展，为现有技术提供了一种有效且强大的替代方案。我们的架构因提升分割精度的能力而脱颖而出，从而推进了自动化医学图像诊断领域的发展。我们模型的代码与参数将在 https://github.com/SUN-1024/DA-TransUnet 公开。
引用
@article{arxiv.2310.12570,
title = {DA-TransUNet: Integrating Spatial and Channel Dual Attention with Transformer U-Net for Medical Image Segmentation},
author = {Guanqun Sun and Yizhi Pan and Weikun Kong and Zichang Xu and Jianhua Ma and Teeradaj Racharak and Le-Minh Nguyen and Junyi Xin},
journal= {arXiv preprint arXiv:2310.12570},
year = {2025}
}