医学图像分割是一个比较有应用意义的方向，本文简单介绍三篇关于医学图像分割的论文：

UNeXt（MICCAI2022），PHTrans（MICCAI2022），DA-Net（MICCAI2022）。

目录

UNeXt: MLP-based Rapid Medical Image Segmentation Network, MICCAI 2022

PHTrans: Parallelly Aggregating Global and Local Representations for Medical Image Segmentation, MICCAI2022

DA-Net: Dual Branch Transformer and Adaptive Strip Upsampling for Retinal Vessels Segmentation, MICCAI2022

---

UNeXt: MLP-based Rapid Medical Image Segmentation Network, MICCAI 2022

解读：MICCAI 2022：基于 MLP 的快速医学图像分割网络 UNeXt (qq.com)

论文：https://arxiv.org/abs/2203.04967

代码：https://github.com/jeya-maria-jose/UNeXt-pytorch

基于 Transformer 的 U-Net 变体是近年常用的医学图像分割方法，但是参数量往往不乐观，计算复杂，推理缓慢。本文提出了基于卷积多层感知器（MLP）改进 U 型架构的方法，可以用于图像分割。设计了一个 tokenized MLP 块有效地标记和投影卷积特征，使用 MLPs 来建模表示。这个结构被应用到 U 型架构的下两层中（这里我们假设纵向一共五层）。文章中提到，为了进一步提高性能，建议在输入到 MLP 的过程中改变输入的通道，以便专注于学习局部依赖关系特征。最终，UNeXt 将参数数量减少了 72 倍，计算复杂度降低了 68 倍，推理速度提高了 10 倍，同时还获得了更好的分割性能，如下图所示。

UNeXt 架构：

UNeXt 的设计如下图所示。纵向来看，一共有两个阶段，普通的卷积和 Tokenized MLP 阶段。其中，编码器和解码器分别设计两个 Tokenized MLP 块。每个编码器将分辨率降低两倍，解码器工作相反，还有跳跃连接结构。每个块的通道数（C1-C5）被设计成超参数为了找到不掉点情况下最小参数量的网络，对于使用 UNeXt 架构的实验，遵循 C1 = 32、C2 = 64、C3 = 128、C4 = 160 和 C5 = 256。

TokMLP 设计思路：

Shifted MLP ，思路类似于 Swin transformer，引入基于窗口的注意力机制，向全局模型中添加更多的局域性。Tokenized MLP 块有 2 个 MLP，在一个 MLP 中跨越宽度移动特征，在另一个 MLP 中跨越高度移动特征，即，特征在高度和宽度上依次移位。论文：“我们将特征分成 h 个不同的分区，并根据指定的轴线将它们移到 j=5 的位置”。其实就是创建了随机窗口，这个图可以理解为灰色是特征块的位置，白色是移动之后的 padding。

tokenized MLP block：

 其中 T 表示 tokens，H 表示高度，W 表示宽度。所有这些计算都是在 embedding 维度 H 上进行的，它明显小于特征图的维度 HN×HN，其中 N 取决于 block 大小。

其中，使用DWConv（DepthWise Conv）的原因：

• 有助于对 MLP 特征的位置信息进行编码。MLP 块中的卷积层足以编码位置信息，它实际上比标准的位置编码表现得更好。像 ViT 中的位置编码技术，当测试和训练的分辨率不一样时，需要进行插值，往往会导致性能下降。
• DWConv 使用的参数数量较少。

实验：

PHTrans: Parallelly Aggregating Global and Local Representations for Medical Image Segmentation, MICCAI2022

解读：【MICCAI 2022】PHTrans：并行聚合全局和局部表示以进行医学图像分割 - GiantPandaCV

论文：https://arxiv.org/abs/2203.04568

代码：https://github.com/lseventeen/PHTrans

在医学图像分割上，已经有了许多基于 CNN 和 Transformer 的优秀混合架构，并取得了很好的性能。然而，这些将模块化 Transformer 嵌入 CNN 的方法，还有可以挖掘的空间。

论文提出了一种新的医学图像分割混合架构：PHTrans，它在主要构建块中并行混合 Transformer 和 CNN，分别从全局和局部特征中生成层次表示并自适应聚合它们，旨在充分利用 Transformer 和 CNN 各自的优势以获得更好的分割性能。具体来说，PHTrans 沿用 U 形设计，在深层引入并行混合模块，其中卷积块和修改后的 3D Swin Transformer 块分别学习局部特征和全局依赖关系，然后使用 sequence-to-volume 操作统一输出维度以实现特征聚合。最后在 BCV 和 ACDC 数据集上验证了其有效性。

 (a)~(d) 是几种流行的基于 Transformer 和 CNN 的混合架构，既将 Transformer 添加到以 CNN 为 backbone 的模型中，或替换部分组件。其中(c) 与 (b) 的区别是通过 Transformer 桥接从编码器到解码器的所有阶段，捕获多尺度全局依赖。(d) 表示将 Transformer 和 CNN 交织成一个混合模型，其中卷积编码精确的空间信息，而自注意力机制捕获全局上下文信息。

图 (e) 表示二者的并行。在串行组合中，卷积和自注意力机制无法贯穿整个网络架构，难以连续建模局部和全局表示，因此这篇论文里认为并行可以充分发挥它们的潜力。

PHTrans 架构

如图 (b)，其主要构建块由 CNN 和 Swin Transformer 组成，以同时聚合全局和局部表示。图 (a) 依旧遵循的 U 形架构设计，在浅层只是普通的卷积块，在深层引入了 sequence-to-volume 操作来实现 Swin Transformer 和 CNN 在一个块中的并行组合。 

PHTrans 的编码器，对于 H×W×D 的输入volume（3D 医学图像），首先使用几个纯卷积模块得到 volume。然后输入到 Trans&Conv Block 重复 N2 次。对于解码器同样基于纯卷积模块和并行混合模块构建，并通过跳跃连接和加法操作融合来自编码器的语义信息。此外，在训练期间在解码器的每个阶段都使用深度监督机制，产生总共 N1 + N2 个输出，其中应用了由交叉熵和 DICE 的联合损失。深度监督，即网络的中间部分添加了额外的 Loss。

Trans&Conv block

缩小比例的特征图分别输入 Swin Transformer (ST) 块和卷积 (Conv) 块，分别在 ST 块的开头和结尾引入 Volume-to-Sequence (V2S) 和 Sequence-to-Volume (S2V) 操作来实现 volume 和 sequence 的变换，使其与 Conv 块产生的输出兼容。W-MSA 能够降低计算复杂度，但是不重合的窗口之间缺乏信息交流，这样其实就失去了 Transformer 利用 Self-Attention 从全局构建关系的能力，于是用 SW-MSA 来跨窗口进行信息交流（跨窗口连接），同时保持非重叠窗口的高效计算。

每个 head 中的 self-attention 计算如下：

 Q, K, V ∈ L×d 是查询、键和值矩阵，d 是查询 / 键维度，B ∈ L×L 是相对位置偏差。通过加法运算融合 ST 块和 Conv 块的输出。 编码器中 Trans&Conv 块的计算过程：

xi−1 是编码器第 i−1 阶段的下采样结果。在解码器中，除了跳跃连接之外，还通过加法操作来补充来自编码器的上下文信息。因此，解码器中的 Trans&Conv 块计算过程： 

实验：

DA-Net: Dual Branch Transformer and Adaptive Strip Upsampling for Retinal Vessels Segmentation, MICCAI2022

解读：MICCAI 2022：使用自适应条形采样和双分支 Transformer 的 DA-Net - GiantPandaCV

论文：https://dl.acm.org/doi/10.1007/978-3-031-16434-7_51

代码：未找到

目前的视网膜血管分割方法根据输入类型大致分为 image-level 和 patches-level 方法，为了从这两种输入形式中受益，这篇文章引入了一个双分支 Transformer 模块，被叫做 DBTM，它可以同时利用 patches-level 的本地信息和 image-level 的全局上下文信息。视网膜血管跨度长、细且呈条状分布，传统的方形卷积核表现不佳，也是为了更好地捕获这部分的上下文信息，进一步设计了一个自适应条状 Upsampling Block，被叫做 ASUB，以适应视网膜血管的条状分布。

DA-Net结构：

共享 encoder 包含五个卷积块，DBTM 在 encoder 之后，最后是带 ASUB 的 decoder。首先，原眼底图像很常规的被分成 N^2 个 patches，同时将原眼底图像也下采样 N 倍。将它们一起送入共享 encoder，分别得到相应的特征图 F(i) 和 F′，这里的共享指的是两个 encoder 分支的权重共享，两个分支可以通过合并批次并行操作。随后，这两个分支的输出通过 DBTM 进行通信，DBTM 可以向每个补丁广播长距离的全局信息。U 型网络中间还有普通的跨层连接，最后，再通过 ASUB 的 decoder 后，得到预测的分割结果。

DBTM：Local Patches Meet Global Context

首先将经过 flatten 和投影的特征图 F(i) 和 F′ 作为输入 tokens ，其中加入训练过的 position embeddings 以保留位置信息。然后 tokens 被送入 Transformer Layer。不同的是，设计了一个特殊的 self-then-cross 的 pipeline，将两个分支的输入混合起来，称为双分支 Transformer 模块。第一个 Transformer Layer 作为 Q，第二个 Transformer Layer 作为 K 和 V。具体来说，首先，这两个分支的输入标记分别用自注意机制模拟 image-level 和 patches-level 的长距离依赖。然后，交叉注意机制被用于两个分支的 tokens 之间的通信。在交叉注意机制中，将 patches-level 的标记表示为查询 Q， image-level 分支的标记表示为下图中多头自我注意（MSA）层的键 Q 值 V。整体设计是很简单的，实现了”Local Patches Meet Global Context“。

ASUB block：

视网膜血管的一些固有特征导致了其分割困难，比如视网膜血管的分支很细，边界很难区分，而且视网膜血管之间的关系很复杂。在这些情况下，视网膜血管周围的背景信息对视网膜血管的分割至关重要。如下图所示，传统的方形卷积核在正常的上采样块中不能很好地捕捉线性特征，并且不可避免地引入了来自邻近的不相关信息。为了更好地收集视网膜血管周围的背景信息，提出了 Adaptive Strip Upsampling Block（ASUB），它适合于长而细的视网膜血管分布。

 在(c)中，一共有四种类型的条状卷积核，捕捉水平（S1）、垂直（S2）、左对角线（S3）和右对角线（S4）方向上的信息。分析 ASUB 的思路，首先，使用一个 1×1 的 Conv 来将特征图的维度减半，以减少计算成本。然后，利用四个带状卷积来捕捉来自不同方向的上下文信息。此外，做全局平均池化（GAP）来获得通道维度的特征图。在通道维度上获得特征向量，并使用全连接层来学习每个带状卷积的通道方向的注意力向量。之后，应用softmax 来产生通道融合权重 Wi , i∈{1, 2, 3, 4}。 最后，我们用学到的自适应权重对每个带状卷积 Fi 的输出进行加权，得到特征图，特征图是 4 个 Fi*Wi 求和。 最后用 1×1 的 Conv 恢复维度，得到最终输出 Foutput。同时，这部分是会增加网络学习负担的。

 实验：