SMESwin Unet: Merging CNN and Transformer for Medical Image Segmentation

摘要

视觉Transformer 是自去年以来医学图像分割领域最受欢迎的新范式，在定量指标上超过了传统的CNN。ViTs的显著优点是利用注意力层来对token之间的全局关系进行建模。然而，ViTs表达能力的提高也带来了相应的缺点：缺乏CNN的归纳偏差（局部性）、翻译不变性和视觉信息的层次结构。因此，训练有素的ViT比CNN需要更多的数据。由于医学成像领域的高质量数据总是有限的，我们提出了SMESwin-UNet。

本文方法

1. 在通道交叉融合变换器（CCT）的基础上，我们通过设计一个具有CNN和ViTs的复合结构（名为MCCT）来融合多尺度语义特征和注意力图。
2. 通过将像素级特征划分为区域级来引入超像素，以避免图像中无意义部分的干扰
3. 我们使用外部注意力来考虑所有数据样本之间的相关性，这可能会进一步减少小数据集的限制

本文方法

遵循Swin-Unet编码器-解码器架构。将输入图像x∈RH×W×3分割成分辨率为H4×

然后将贴片展平并传递到具有输出维度Ci的线性嵌入层中，得到原始嵌入序列e∈Rd×Ci。

变换后的patch token通过几个Swin Transformer块来提取全局信息和patch合并层，这可以减少采样并增加维度。解码器由Swin Transformer块和patch扩展层组成。

patch扩展层将以2倍分辨率的上采样执行上采样。特别地，最后一个patch扩展层执行4×上采样以将特征图恢复到输入分辨率。最后，这些上采样的特征通过线性投影层来输出像素级分割预测

Superpixel

我们通过超像素分割分支来减少原始输入图像中的无效信息。为了最大限度地降低模型的复杂性，我们使用简单线性迭代聚类（SLIC），它不需要任何超像素分割训练。关键步骤如下：

1. 聚类中心 假设原始图像包括P个像素和N个超像素聚类。相邻聚类中心之间的距离近似于S=根号P/N ,在聚类中心初始化过程中，在窗口n×n的范围内，用最小梯度位置替换原始聚类中心
2. 聚类阈值 对于来自图像i和j的两个像素，像素dlab的颜色相异性可以定义为：
   
   其中Ds是聚类阈值，其中较大的值表示较高的像素相似性；m是控制聚类阈值的颜色区分和空间距离比例的平衡参数。SLIC利用聚类中心搜索2S×2S邻域：（1）如果像素的相似度高于聚类阈值，则像素应该聚类到相应的中心，以及（2）将聚类中心的符号标记分配给相应的像素。重复这个迭代过程直到收敛。
   然后SLIC生成具有超像素分割的特征图，并在下一个跳过连接模块中将特征图传递给简单的CNN。

MCCT

继UCTransnet中的CCT之后，提出了一种混合CNN和ViT的新型模块（MCCT）。MCCT比CCT具有更好的细节捕获能力，并且需要更少的计算

MCCT和CCT之间的两个主要区别是：
1）与CNN的一个新连接
2）删除了第四个连接。为了保持细节信息，我们对超像素特征图使用CNN层（d0）

对于来自CNN层的特征，CCT通过将编码器特征平坦化为大小为4×4的2D补丁来进行标记化，该2D补丁与来自变换器块的补丁标记具有相同的大小。在多头交叉注意中，我们使用令牌Ti∈R HW 作为查询，并使用T∑=Concat（T0，T1，T2，T3）作为key和值

然后，通过多层感知器对通道和依赖项进行编码，以细化特征