GCtx-UNet：一种用于医学图像分割的高效网络

医学图像分割是疾病诊断和监测的关键环节。虽然有效，但当前的分割网络如 UNet 在捕获长程特征方面存在困难。更精确的模型如 TransUNet、Swin-UNet 和 CS-UNet computation complexity 较高。为此，本文提出 GCtx-UNet，一种 lightweight 分割架构，能够以准确率优于或相当于 state-of-the-art 方法的方式捕获 global 和 local 图像特征。GCtx-UNet 使用 vision transformer，利用 global context self-attention 模块和 local self-attention 组合，来建模长程和短程空间依赖。GCtx-UNet 在 Synapse 多器官腹部 CT 数据集、ACDC 心脏 MRI 数据集以及多个结肠息肉分割数据集上进行评估。就 Dice Similarity Coefficient（DSC）和 Hausdorff Distance（HD）等指标而言，GCtx-UNet 在分割复杂和小解剖结构方面优于 CNN 和 Transformer 方法，取得显著提升。此外，GCtx-UNet 比 state-of-the-art 方法更高效，模型更小、计算负荷更低、训练和推理速度更快，使其在临床应用中具有实际选择性。