《基于Transformer的多级区域和边缘聚合网络用于磁共振图像分割》，作者：陈少龙1,钟丽洁2,丘昌镇1,张志勇1,张晓东2（1中山大学电子与通信工程学院；2南方医科大学附属第三医院）于2023年01月在Computers in Biology and Medicine期刊发表。

 摘要：为了提高磁共振（MR）图像边缘分割的质量，一些研究人员应用额外的边缘标签来训练网络提取边缘信息，并将其与区域信息进行聚合。他们取得了重大进展。然而，由于卷积运算的固有局部性，基于卷积神经网络的区域和边缘聚合在建模长距离信息方面存在局限性。为了解决这个问题，我们提出了一种新的基于Transformer的多级区域和边缘聚合网络用于MR图像分割。据我们所知，这是第一篇关于基于Transformer的区域和边缘聚合的文献。我们首先使用双分支模块提取多级区域和边缘特征。然后，通过多个基于Transformer的推理模块，对不同层次的区域和边缘特征进行推理和聚合，形成多层次的互补特征。最后，注意力特征选择模块将这些互补特征与相应级别的区域和边缘特征聚合，以解码区域和边缘特性。我们在公共MR数据集上评估了我们的方法：医学图像计算和计算机辅助干预心房分割挑战（ASC）。同时，私人MR数据集考虑了髌下脂肪垫（IPFP）。我们的方法在ASC和IPFP中分别获得了93.2%和91.9%的骰子分数。与其他2D分割方法相比，我们的方法将ASC和IPFP的骰子分数分别提高了0.6%和3.0%。