论文解析[8] TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation

发表时间：2021
论文地址：https://arxiv.org/abs/2102.04306
代码地址：https://github.com/Beckschen/TransUNet

1 摘要

在不同的分割任务中，U-Net已经成为一个取得巨大的成功的标准结构。由于卷积操作本身的局部性，U-Net在显式建模长期依赖性时有局限。Transformer是为序列到序列的预测设计的，是具有天生的全局自我注意力机制的结构，但也会因为不充分的低水平细节导致有限的定位能力。

在此论文中，提出了TransUNet，兼具了Transformer和U-Net的优点。一方面，Transformer可以对来自CNN特征图的标记化特征图像patch进行编码，编码为用于提取全局背景的输入序列。另一方面，解码器上采样编码后融合了高分辨率CNN特征图的特征，用以确保精确的定位。

我们认为，融合了U-Net恢复定位的空间信息来增强细节之后，Transformer可以作为图像分割任务的一个强大的编码器。

2 相关工作

融合CNN和自注意力机制

Transformer

3 方法

通过transformer的使用，将自注意力引入编码器。

3.1 Transformer作为编码器

图像序列化

首先将输入的图像变形为一个2D的patch序列，每个patch的大小为 P×P，数量为 $N=\frac{HW}{P^2}$

patch 嵌入

我们使用一个可训练的线性投影，将向量化的patch $x_p$ 映射进一个D维的嵌入空间。为了编码patch空间信息，我们学习具体的加入了patch嵌入的位置嵌入来保留位置信息

E表示patch嵌入映射，$E_{pos}$表示位置嵌入

Transformer编码器包括L层多头自注意力（MSA）和多层感知机（MLP），第 l 层的输出如下：

LN表示层标准化，$z_L$ 表示编码后的图像表示。

3.2 TransUNet

对于分割的目的，一个直接的方法时使用简单上采样，将编码后的特征表示 $z_L\in R^{\frac{HW}{P^2}\times D}$ 变成全分辨率用于预测输出。为了恢复空间关系，编码后的特征应该首先要从 $\frac{HW}{P^2}$ 转换为 $\frac{H}{P}\times \frac{H}{P}$。我们使用1×1的卷积来把变形后的特征通道数减少为类别数目。然后再直接使用双线性上采样为全分辨率 $H\times W$ 作为最后的分割预测输出。

尽管将Transformer和简单的上采样结合已经产生了一个可以接受的表现，但这不是最优的用法。因为$\frac{H}{P}\times \frac{H}{P}$ 通常小于原始图像的 $H\times W$，因此结果会有细节上的损失（例如器官的形状和边界）。为了弥补损失，TransUNet将一个 CNN-Transformer 混合结构作为编码器，并且级联上采样器可以精确的定位。

混合CNN-Transformer作为编码器

我们选择这种设计因为1）它允许我们在解码路径中利用中等高分辨率CNN特征图；2）我们发现这种编码器比简单的Transformer编码器表现更好。

级联上采样器

我们引进了一个级联上采样器（CUP），它包括不同的上采样步骤。

我们可以看到CUP和混合编码器构成了一个u型网络，可以再不同分辨率下通过跳跃路径进行特征传播。详细的CUP结构和跳跃路径可以再图1（b）中找到

4 实验

5 结论

Transformer以带有强大的自注意力机制的结构而出名。在本论文中，我们提出了第一个对于Transformer用于医学图像分割的研究。为了充分发挥Transformer的能力，提出了TransUNet，不但可以通过将图像特征处理为序列来编码全局上下文信息，也可以通过u型结构的设计来利用低水平的CNN特征。作为一个相比基于FCN方法来说更加非主流的框架，TransUNet取得了更好的表现，对比于不同的方法（包括基于CNN的自注意力方法），

参考资料

https://blog.csdn.net/weixin_40096160/article/details/114194562