清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation

计算机科学 分割 人工智能 图像分割 编码器 变压器 卷积神经网络 地点 基于分割的对象分类 尺度空间分割 计算机视觉 模式识别(心理学) 工程类 语言学 哲学 电压 电气工程 操作系统
作者
Jieneng Chen,Yongyi Lu,Qihang Yu,Xiangde Luo,Ehsan Adeli,Yan Wang,Le Lü,Alan Yuille,Yuyin Zhou
出处
期刊:Cornell University - arXiv 被引量:2135
标识
DOI:10.48550/arxiv.2102.04306
摘要

Medical image segmentation is an essential prerequisite for developing healthcare systems, especially for disease diagnosis and treatment planning. On various medical image segmentation tasks, the u-shaped architecture, also known as U-Net, has become the de-facto standard and achieved tremendous success. However, due to the intrinsic locality of convolution operations, U-Net generally demonstrates limitations in explicitly modeling long-range dependency. Transformers, designed for sequence-to-sequence prediction, have emerged as alternative architectures with innate global self-attention mechanisms, but can result in limited localization abilities due to insufficient low-level details. In this paper, we propose TransUNet, which merits both Transformers and U-Net, as a strong alternative for medical image segmentation. On one hand, the Transformer encodes tokenized image patches from a convolution neural network (CNN) feature map as the input sequence for extracting global contexts. On the other hand, the decoder upsamples the encoded features which are then combined with the high-resolution CNN feature maps to enable precise localization. We argue that Transformers can serve as strong encoders for medical image segmentation tasks, with the combination of U-Net to enhance finer details by recovering localized spatial information. TransUNet achieves superior performances to various competing methods on different medical applications including multi-organ segmentation and cardiac segmentation. Code and models are available at https://github.com/Beckschen/TransUNet.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
现代的含雁完成签到 ,获得积分10
6秒前
wpybird完成签到,获得积分10
14秒前
Jemezs完成签到,获得积分10
17秒前
马登完成签到,获得积分10
19秒前
梅啦啦完成签到 ,获得积分10
19秒前
23秒前
wyt发布了新的文献求助10
25秒前
29秒前
北笙完成签到 ,获得积分10
33秒前
33秒前
陈龙平完成签到 ,获得积分10
36秒前
小羊咩完成签到 ,获得积分10
37秒前
研友_ZbP41L完成签到 ,获得积分10
41秒前
穆一手完成签到 ,获得积分10
1分钟前
八戒完成签到 ,获得积分10
1分钟前
LT完成签到 ,获得积分10
1分钟前
冰留完成签到 ,获得积分10
1分钟前
ommphey完成签到 ,获得积分10
1分钟前
kaka完成签到,获得积分0
1分钟前
婉莹完成签到 ,获得积分0
1分钟前
智智完成签到 ,获得积分10
1分钟前
veggieg完成签到,获得积分10
1分钟前
孟寐以求完成签到 ,获得积分10
1分钟前
大喜子完成签到 ,获得积分10
1分钟前
wbb完成签到 ,获得积分10
1分钟前
Skywalk满天星完成签到,获得积分10
1分钟前
不说话的不倒翁完成签到 ,获得积分10
1分钟前
xiaowuge完成签到 ,获得积分10
1分钟前
康康XY完成签到 ,获得积分10
1分钟前
崩溃完成签到,获得积分10
2分钟前
赵勇完成签到 ,获得积分10
2分钟前
Lee完成签到,获得积分10
2分钟前
LULU完成签到,获得积分10
2分钟前
YZ完成签到 ,获得积分10
2分钟前
黑水仙完成签到 ,获得积分10
2分钟前
长风完成签到 ,获得积分10
2分钟前
失眠的香蕉完成签到 ,获得积分10
2分钟前
Ray完成签到 ,获得积分10
3分钟前
龙猫爱看书完成签到,获得积分10
3分钟前
迅速的念芹完成签到 ,获得积分10
3分钟前
高分求助中
Sustainability in Tides Chemistry 1500
Handbook of the Mammals of the World – Volume 3: Primates 805
拟南芥模式识别受体参与调控抗病蛋白介导的ETI免疫反应的机制研究 550
Gerard de Lairesse : an artist between stage and studio 500
Digging and Dealing in Eighteenth-Century Rome 500
Queer Politics in Times of New Authoritarianisms: Popular Culture in South Asia 500
Manual of Sewer Condition Classification 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3068255
求助须知:如何正确求助?哪些是违规求助? 2722176
关于积分的说明 7476072
捐赠科研通 2369142
什么是DOI,文献DOI怎么找? 1256228
科研通“疑难数据库(出版商)”最低求助积分说明 609518
版权声明 596835