Yundong Zhang, Huiye Liu, Qiang Hu
MICCAI 2021
医学影像分割,是众多临床需求的先决条件,在卷积神经网络的最新进展下得到了显著发展。然而,它在建模显式长距离关系方面表现出了广泛的局限性。而现有的方案,依靠构建深度编码器和大量的下采操作,导致了网络冗余加深和局部细节的丢失。因此,分割任务需要一个更好的解决方案,以提高建模全局上下文的效率,同时保持对低等级细节的强大把握。在本文中,我们提出了一种新的并行分支架构TransFuse来解决这一挑战。TransFuse以并行的方式组合了transformer和cnn,其中全局依赖关系和低层空间细节都可以以一种更浅的方式有效地捕获。此外,我们提出了一种新的融合技术-BiFusion模块,可以有效地融合两个分支的多层次特征。大量实验表明,TransFuse在2D和3D医学图像集上取得了最新的最先进的成果,显著降低了参数,提高了推理速度。