TransFuse: Fusing Transformers and CNNs for Medical Image Segmentation

在息肉分割任务上表现SOTA！性能优于SETR、PraNet和ResUNet++等，速度高达98.7 FPS！

注1：文末附【Transformer】和【医疗影像】交流群

注2：整理不易，欢迎点赞，支持分享！

TransFuse: Fusing Transformers and CNNs for Medical Image Segmentation

• 作者单位：Rayicer, 佐治亚理工学院
• 论文：https://arxiv.org/abs/2102.08005

具有深度特征表示和跳跃连接的基于U-Net的卷积神经网络极大地提高了医学图像分割的性能。

在本文中，我们研究了更具挑战性的问题，即在不损失low-level细节的定位能力的情况下提高全局上下文建模效率的问题。提出了一种新颖的两分支架构TransFuse，该架构以并行方式结合了Transformers和CNN。

使用TransFuse，可以以较浅的方式有效地捕获全局依赖性和low-level空间细节。

此外，提出了一种新颖的融合技术-BiFusion模块，用于融合每个分支的多级特征。

算法细节，建议去看原文：

实验结果

TransFuse实现了息肉分割任务的最新技术，参数减少了20％，推理速度最快，约为98.7 FPS。

CVer-Transformer交流群

建了CVer-Transformer交流群！想要进Transformer学习交流群的同学，可以直接加微信号：CVer6666。加的时候备注一下：Transformer+学校+昵称，即可。然后就可以拉你进群了。

CVer-医疗影像交流群

已建立CVer-医疗影像微信交流群！想要进医疗影像学习交流群的同学，可以直接加微信号：CVer9999。加的时候备注一下：医疗影像+学校+昵称，即可。然后就可以拉你进群了。

强烈推荐大家关注CVer知乎账号和CVer微信公众号，可以快速了解到最新优质的CV论文。