Trans2Unet：用于核仿生分割的神经网络融合

核仿生分割尽管在组织病理图像分析中发挥着基本作用，仍是一个具有挑战性的任务。该任务的主要挑战在于存在重叠区域，这使得分离独立的核仿生更加复杂。本文提出了一种新的双分支架构，通过组合Unet和TransUnet网络用于核仿生分割任务。在提出的架构中，即Trans2Unet，输入图像首先发送到Unet分支，其中去除了最后一个卷积层。该分支使网络能够组合来自输入图像不同空间区域的特征，并更精确地定位感兴趣的区域。输入图像也被送入第二个分支。在第二个分支，即TransUnet分支中，输入图像将被划分为图像块。借助Vision Transformer (ViT)，TransUnet可以作为医学图像分割任务的强大编码器，并通过恢复局部空间信息来增强图像细节。为提高Trans2Unet的效率和性能，我们提出了一种计算效率较高的变体，称为“Waterfall” Atrous Spatial Pooling with Skip Connection (WASP-KC)模块，该模块灵感来自“Waterfall” Atrous Spatial Pooling (WASP)模块。在2018年数据科学比赛基准测试上的实验结果表明，所提出的架构在与之前的分割模型进行比较时具有有效性和性能。