HBFormer：用于微肿瘤与微型器官分割的混合桥接 Transformer

医学图像分割是现代临床诊断的基石。虽然利用移位窗口自注意的视觉 Transformer 已在该领域建立了新的基准，但它们常常受到一个关键限制：其局部注意力机制难以有效融合局部细节与全局上下文。这一缺陷对微肿瘤和微型器官分割等具有挑战性的任务尤为不利，因为这些任务既需要精细的边界定义，也需要广泛的上下文理解。为弥补这一空白，我们提出了 HBFormer，一种新颖的混合桥接 Transformer 架构。HBFormer 的"混合"设计将经典的 U 形编码器-解码器框架与强大的 Swin Transformer 主干相结合，以实现稳健的层次化特征提取。其核心创新在于其"桥接"机制，即多尺度特征整合的复杂枢纽。该桥接由我们新颖的多尺度特征融合（MFF）解码器在架构上体现。与传统的对称设计不同，MFF 解码器旨在将编码器中的多尺度特征与全局上下文信息相融合。它通过通道注意力和空间注意力模块的协同组合来实现这一点，这些模块由一系列扩张卷积和深度可分离卷积构建而成。这些组件协同工作，创建了一个强大的特征桥接，能够显式捕获长程依赖关系，并以极高的精度细化物体边界。在具有挑战性的医学图像分割数据集（包括多器官、肝脏肿瘤和膀胱肿瘤基准测试）上的全面实验表明，HBFormer 取得了最先进的结果，展示了其在微肿瘤和微型器官分割方面的卓越能力。代码和模型可在 https://github.com/lzeeorno/HBFormer 获取。