解读UTNet | 用于医学图像分割的混合Transformer架构（文末获取论文）

UTNet：用于医学图像分割的混合Transformer架构,表现SOTA！性能优于ResUNet等网络。
作者单位：罗格斯大学等

1简介

Transformer架构已经在许多自然语言处理任务中取得成功。然而，它在医学视觉中的应用在很大程度上仍未得到探索。在这项研究中，本文提出了UTNet，这是一种简单而强大的混合Transformer架构，它将自注意力集成到卷积神经网络中，以增强医学图像分割。

UTNet在编码器和解码器中应用自注意力模块，以最小的开销捕获不同规模的远程依赖。为此，作者提出了一种有效的自注意力机制以及相对位置编码，将自注意力操作的复杂性从O(n2)显著降低到近似O(n)。还提出了一种新的自注意力解码器，以从编码器中跳过的连接中恢复细粒度的细节。

本文所提的方法解决了Transformer需要大量数据来学习视觉归纳偏差的困境。同时混合层设计允许在不需要预训练的情况下将Transformer初始化为卷积网络。

作者通过实验观察到UTNet相对于最先进方法具有卓越分割性能和鲁棒性，有望在其他医学图像分割上很好地泛化。

2本文方法

2.1 Self-Attention机制的回顾

这里就不进行过多的描述了，前面关于Transformer的文章中已经说过很多次了，这里直接贴出Self-Attention的计算公式吧：

具体细节大家可以参考下面文章的内容：即插即用|卷积与Self-Attention完美融合X-volution插入CV模型将带来全任务涨点。

2.2 Efficient Self-attention Mechanism

由于图像是高度结构化的数据，在局部足迹内的高分辨率特征图中，除边界区域外，大多数像素具有相似的特征。因此，对所有像素之间的注意力计算是非常低效和冗余的。

从理论角度来看，对于长序列，自注意力本质上是低秩的，这说明大部分信息集中在最大的奇异值上。受此启发，作者提出了一种有效的自注意机制，如图所示。

主要的想法是用2个投影来映射keys和values: 映射为低维度嵌入： ，其中k=hw<<n,h，并且w是经过sub-sampling后feature map缩小的尺寸。

efficient self-attention定义如下：

这样，计算复杂度降低到O(nkd)。值得注意的是，低维嵌入的投影可以是任何降采样操作，如平均/最大池化，或strided convolutions。在实现中使用1×1卷积和双线性插值来对特征图进行降采样，reduced size为8。

2.3 Relative Positional Encoding

标准的自注意力模块完全丢弃了位置信息，对于高度结构化的图像内容建模是无效的。以往的研究中的正弦嵌入在卷积层中不具有平移等方差的性质。

因此，作者通过采用了二维相对位置编码添加相对高度和宽度信息。在像素 和像素 ：

其中 为像素 的query向量， 为像素 的key向量， 和 分别为相对宽度 和相对高度 的可学习嵌入。与efficient self-attention相似，相对宽度和高度是在低维投影后计算的。包含相对位置嵌入的efficient self-attention为:

式中，是满足的沿高度和宽度尺寸的相对位置对数矩阵。

2.4 Network Architecture

如图，作者试图将卷积和自注意机制结合在一起。因此，混合架构可以利用卷积图像的归纳偏差来避免大规模的预训练，以及Transformer捕获远距离关系的能力。

由于错误分割区域通常位于感兴趣区域的边界，高分辨率上下文信息在分割过程中起着至关重要的作用。因此，作者将重点放在提出的自注意模块上，使其能够有效地处理大尺寸特征地图。

3实验

3.1 SOTA结果

3.2 消融实验

3.3 可视化结果

4参考

[1].UTNet: A Hybrid Transformer Architecture for Medical Image Segmentation

5推荐阅读

简单有效 | 详细解读Interflow用注意力机制将特征更好的融合（文末获取论文）

详细解读PVT-v2 | 教你如何提升金字塔Transformer的性能？（附论文下载）

详细解读 | CVPR 2021轻量化目标检测模型MobileDets（附论文下载）

本文论文原文获取方式，扫描下方二维码

扫描下方二维码关注【集智书童】公众号，获取更多实践项目源码和论文解读，非常期待你我的相遇，让我们以梦为马，砥砺前行！