【医学图像分割】开源 | 浙江大学提出一种新型混合注意力模块MTM，实现医学图像的精确分割，性能SOTA！

备注：研究方向+地点+学校/公司+昵称，更快通过申请，长按加细分领域技术交流群，目前有细分领域：图像分割、图像目标检测、论文写作、车道检测、模型优化、目标跟踪、SLAM、点云处理（分割检测）、深度学习。

论文地址： http://arxiv.org/pdf/2111.04734v2.pdf

来源： 浙江大学

论文名称：MIXED TRANSFORMER U-NET FOR MEDICAL IMAGE SEGMENTATION

原文作者：Hongyi Wang

内容提要

虽然U-Net在医学图像分割任务中取得了巨大的成功，但它缺乏明确的长期依赖模型的能力。因此，由于视觉注意力具有通过自我注意(Self-Attention, SA)捕捉长期相关性的先天能力，近年来视觉注意力已经成为一种可选的分割结构。但是注意力通常需要大规模的预训练，计算复杂度很高。此外，SA只能在单个样本中建模自亲和关系，忽略了整个数据集的潜在相关性。为了解决这些问题，我们提出了一种名为混合注意力模块(MTM)的新型注意力模块，用于同时进行内部和内部的亲和学习。MTM首先通过精心设计的局部全局高斯加权自我注意(LGG-SA)有效地计算自亲和。然后，通过外部注意(External Attention, EA)挖掘数据样本之间的相互联系。为了实现医学图像的精确分割，利用MTM构建了一个U型混合注意力U-Net (MT-UNet)模型。我们在两个不同的公共数据集上测试了我们的方法，实验结果表明，该方法比其他先进的方法具有更好的性能。

主要框架及实验结果