Transformer-Unet：基于原始图像处理的 Unet 网络
图像与视频处理
2021-09-20 v1 计算机视觉与模式识别
摘要
医学图像分割在生物医学图像分析中十分重要，因此引起了大量关注。良好的分割结果可以辅助医生进行判断，并进一步改善患者体验。在众多可用的医学图像分析流程中，Unet 是最受欢迎的神经网络之一，因为它通过在编码器和解码器之间添加拼接来保留原始特征，这使得它仍在工业领域被广泛使用。与此同时，作为主导自然语言处理任务的流行模型，transformer 现已被引入计算机视觉任务，并在目标检测、图像分类和语义分割任务中取得了有前景的结果。因此，transformer 与 Unet 的结合有望比两种方法单独工作更高效。在本文中，我们提出 Transformer-Unet，在 Unet 的原始图像而非特征图中添加 transformer 模块，并在 CT82 数据集上相应地测试我们的网络以进行胰腺分割。我们构建了一个端到端网络，并在实验中获得了优于许多先前基于 Unet 的算法的分割结果。我们在本文中展示了我们的网络并给出了相应的实验结果。
引用
@article{arxiv.2109.08417,
title = {Transformer-Unet: Raw Image Processing with Unet},
author = {Youyang Sha and Yonghong Zhang and Xuquan Ji and Lei Hu},
journal= {arXiv preprint arXiv:2109.08417},
year = {2021}
}