半监督医学图像分割的拉格朗日对偶与复合多注意力 Transformer

医学图像分割是语义分割在医疗保健领域的关键应用，已通过专门的计算机视觉技术取得了显著的进展。虽然基于深度学习的医学图像分割对辅助医疗诊断至关重要，但缺乏多样化的训练数据导致长尾问题。此外，大多数以前的混合 CNN-ViT 架构在整合卷积神经网络不同层的各种注意力方面能力有限。为此，我们提出了拉格朗日对偶一致性 (LDC) Loss，结合边界感知对比 Loss，作为半监督学习的整体训练目标，以缓解长尾问题。此外，我们引入 CMAformer，一种新型网络，融合了 ResUNet 和 Transformer 的优势。CMAformer 中的跨注意力模块有效集成了空间注意力和通道注意力，用于多尺度特征融合。总体而言，我们的结果表明，CMAformer 结合特征融合框架和新的一致性 Loss 在半监督学习集成中表现出强大的互补性。我们在多个公开医学图像数据集上实现了最先进的效果。示例代码可在 \url{https://github.com/lzeeorno/Lagrange-Duality-and-CMAformer} 获取。