TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation
同时具有Transformers和U-Net的优点，性能优于AttnUNet、V-Net等网络，代码刚刚开源！（按这样搞，TransVNet、TransYOLO应该也快来了，手动狗头）
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！
TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation
- 作者单位：JHU, 电子科大, 斯坦福大学等
- 代码：Beckschen/TransUNet
- 论文：https://arxiv.org/abs/2102.04306
医学图像分割是开发医疗保健系统（尤其是疾病诊断和治疗计划）的必要先决条件。在各种医学图像分割任务中，U形架构（也称为U-Net）已成为事实上的标准，并取得了巨大的成功。但是，由于卷积运算的固有局部性，U-Net通常在明确建模远程依赖关系方面显示出局限性。
设计用于序列到序列预测的transformer已经成为具有先天性全局自注意力机制的替代体系结构，但由于low-level细节不足，可能导致定位能力受到限制。
在本文中，我们提出了TransUNet，它同时具有Transformers和U-Net的优点，是医学图像分割的强大替代方案。
一方面，Transformer将来自卷积神经网络（CNN）特征图的标记化图像块编码为提取全局上下文的输入序列。另一方面，解码器对编码的特征进行上采样，然后将其与高分辨率的CNN特征图组合以实现精确的定位。
我们认为，借助U-Net的组合，通过恢复局部的空间信息，可以将Transformers用作医学图像分割任务的强大编码器。
算法细节，建议去看原文
实验结果
TransUNet在各种医疗应用（包括多器官分割和心脏分割）上均比各种竞争方法具有更高的性能。
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。
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。
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。
