DuAT：用于医学图像分割的双重聚合 Transformer 网络
计算机视觉与模式识别
2022-12-23 v1
摘要
基于 Transformer 的模型已通过建模长程依赖与捕获全局表征，在计算机视觉任务中被广泛证明是成功的。然而，它们常受大模式特征主导，导致局部细节（如边界与小物体）的丢失，而这些在医学图像分割中至关重要。为缓解该问题，我们提出了一种称为 DuAT 的双重聚合 Transformer 网络，其特点在于两项创新设计，即全局到局部空间聚合（GLSA）与选择性边界聚合（SBA）模块。GLSA 能够聚合并表征全局与局部空间特征，分别有助于定位大物体与小物体。SBA 模块用于从低级特征聚合边界特征并从高级特征聚合语义信息，以更好地保留边界细节并定位再校准物体。在六个基准数据集上的大量实验表明，我们所提模型在皮肤病变图像及结肠镜图像中息肉的分割上优于最先进的方法。此外，我们的方法在小物体分割与模糊物体边界等多种挑战性情形下比现有方法更具鲁棒性。
引用
@article{arxiv.2212.11677,
title = {DuAT: Dual-Aggregation Transformer Network for Medical Image Segmentation},
author = {Feilong Tang and Qiming Huang and Jinfeng Wang and Xianxu Hou and Jionglong Su and Jingxin Liu},
journal= {arXiv preprint arXiv:2212.11677},
year = {2022}
}