TFCNs：一种用于医学图像分割的CNN-Transformer混合网络
图像与视频处理
2022-07-08 v1 计算机视觉与模式识别
摘要
医学图像分割是关于医学信息分析的最基础任务之一。迄今已提出多种解决方案，包括许多基于深度学习的技术，如U-Net、FC-DenseNet等。然而，由于医学图像存在固有的放大与畸变，以及病变与正常组织密度相似，高精度医学图像分割仍是一项极具挑战的任务。本文中，我们提出TFCNs（Transformers for Fully Convolutional denseNets），通过向FC-DenseNet引入ResLinear-Transformer（RL-Transformer）和卷积线性注意力块（CLAB）来解决该问题。TFCNs不仅能利用CT图像中更多潜在信息进行特征提取，还能通过CLAB模块更有效地捕获和传播语义特征并过滤非语义特征。我们的实验结果表明，TFCNs在Synapse数据集上以83.72%的dice分数取得了最先进（SOTA）性能。此外，我们在COVID-19公开数据集上评估了TFCNs对病变区域影响的鲁棒性。Python代码将公开于https://github.com/HUANGLIZI/TFCNs。
引用
@article{arxiv.2207.03450,
title = {TFCNs: A CNN-Transformer Hybrid Network for Medical Image Segmentation},
author = {Zihan Li and Dihan Li and Cangbai Xu and Weice Wang and Qingqi Hong and Qingde Li and Jie Tian},
journal= {arXiv preprint arXiv:2207.03450},
year = {2022}
}
备注
Accepted by ICANN 2022