脑肿瘤分割新突破：MWG-UNet++融合Transformer与GAN，性能大幅提升！

近年来，医疗影像分割技术在深度学习的推动下取得了显著进展。从传统的卷积神经网络（CNN）到引入Transformer架构，再到如今融合多种先进机制的模型，如TransFuse、D-LKA Net和MWG-UNet++，这些技术不断突破性能瓶颈，为精准医疗和疾病诊断提供了更高效、更准确的工具，极大地推动了医学影像分析领域的发展。

MWG-UNet++创新性地将Transformer与U-Net结合，并引入Wasserstein GAN进行数据增强，显著提升了模型对复杂肿瘤边界的识别能力。

显著提高了医疗影像分割的精度和效率，降低了模型参数量和计算成本，为临床诊断和治疗规划提供了更可靠的依据，有望在更多医疗场景中实现广泛应用。

我整理了9种【Transformer+UNet】的相关论文，全部论文PDF版可以关注工棕号{AI因斯坦}

回复  “TU结合”领取~

1.Transformer-Unet: Raw Image Processing with  Unet

文章提出 Transformer-Unet（TUnet）网络，将 Transformer 应用于原始图像而非特征图，在 CT82 数据集上进行胰腺分割实验，对比其他模型展示其优势，同时分析模型的特点与局限。

• 创新点

1.创新地将 Transformer 直接应用于原始图像，而非像以往在特征图上应用，更直接地发挥 Transformer 的优势。

2.构建了基于 Transformer 和 Unet 的端到端网络，结合两者优点，既能捕捉局部特征又能关注全局特征。

3.用 ELU 替换 Transformer 中 MLP 层的 GELU 作为激活函数，适应 CT 图像中正负值的重要性差异 。

• 研究结论

1.在 CT82 数据集的胰腺分割任务中，TUnet 在多个评估指标上优于 Unet、Attention Unet 和 TransUnet 等模型。

2.对于 TUnet，16×16 是较优的图像补丁分辨率，使用浅 Unet 作为骨干网络时优势不明显。

3.TUnet 在处理长距离像素对的分割任务上表现出色，但在浅模型场景下提升效果有限，未来需进一步改进 。

全部论文PDF版可以关注工棕号{AI因斯坦}

回复  “TU结合”领取~

2.TransFuse: Fusing Transformers and CNNs for  Medical Image Segmentation

文章提出 TransFuse，通过并行分支架构融合 Transformer 和 CNN，用 BiFusion 模块融合特征。在多个医学图像分割任务中进行实验，验证其性能优势，并分析了架构设计的有效性。

• 创新点

1.设计并行分支架构，让 Transformer 和 CNN 并行处理信息，同时捕获全局依赖和低级空间细节。

2.提出 BiFusion 模块，利用自注意力和多模态融合机制，有效融合来自两个分支的多层次特征。

3.构建的网络更浅，缓解了梯度消失和特征复用减少的问题，提升了模型效率和推理速度。

• 研究结论

1.TransFuse 在多个医学图像分割任务上取得了最先进的结果，在参数数量和推理速度方面表现高效。

2.并行分支设计和 BiFusion 模块有效，Transformer 分支和 CNN 分支具有互补性，能提升融合效果。

3.该研究为基于 Transformer 的医学图像分割架构提供了新视角，未来可优化 Transformer 层并拓展应用。

全部论文PDF版可以关注工棕号{AI因斯坦}

回复  “TU结合”领取~

3.AFTer-UNet: Axial Fusion Transformer UNet for Medical Image Segmentation

文章提出 AFTer-UNet 用于医学图像分割，融合 2D 卷积层与 Transformer 优势，通过实验对比多种方法，验证其性能优势，并进行消融实验分析了模型关键参数的影响。

• 创新点

1.提出端到端的 AFTer-UNet 框架，融合切片内和切片间信息，处理 3D 医学图像分割任务。

2.引入轴向融合机制，分别计算轴向和切片内注意力并融合，降低 3D 空间自注意力计算复杂度。

3.相比之前的 Transformer 基模型，该模型参数更少，训练时占用的 GPU 内存也更少 。

• 研究结论

1.AFTer-UNet 在多个多器官分割数据集上表现优异，相比当前 Transformer 基模型有更高的 DSC 得分。

2.消融实验表明，增加相邻切片数量和轴向融合 Transformer 层数能提升性能，低频采样更有利于模型 。

3.该模型能有效融合切片内和切片间信息，为医学图像分割提供了更高效的解决方案。

全部论文PDF版可以关注工棕号{AI因斯坦}

回复  “TU结合”领取~