Swin UNetR：把 UNet 和 Swin Transformer 结合

本文主要是介绍Swin UNetR：把 UNet 和 Swin Transformer 结合，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

Swin UNetR：把 UNet 和 Swin Transformer 结合

网络结构
使用指南

前置知识：Swin Transformer：将卷积网络和 Transformer 结合

Swin UNetR 结合 Swin Transformer 的上下文建模能力和 U-Net 的像素级别预测能力，提高语义分割任务的性能。

把 2D Swin Transformer 变成 3D Swin Transformer
结合 UNet

通过引入 Swin Transformer 的注意力机制和窗口化卷积操作，可以更好地处理大尺寸图像，并捕捉全局上下文信息。同时，还可以通过 U-Net 的解码器结构进行精细的分割预测。

只改了几个层，唯一工作量大的只有 decoder 的 patch expand，做了几个消融实验。

论文地址：https://arxiv.org/abs/2105.05537

算代码目：https://github.com/HuCaoFighting/Swin-Unet

网络结构

Swin UNetR 长什么样子？

在 ViT 图上，加了一个解码器 Decoder：

ViT 只用了 Transformer 的编码器 Enconder

UNet 形状的 Swin Transformer：
使用的基本模块是 Swin Transformer block

全局计算视角：

上图添加了关联，编码器Encoder、解码器Decoder、跳跃连接、UNet上采样，编码器部分使用了Swin Transformer。

下图显示，解码器部分是使用卷积网络：

下图，突出子模块的关联：

Encoder：

将输入的图像分割成大小为特定分辨率的小块，称为tokenized inputs。这些tokenized inputs被送入两个连续的Swin Transformer块，用于学习表示。这两个Swin Transformer块的特征维度和分辨率与输入保持不变。
同时，在每个Swin Transformer块之间还有一个patch merge层。这个层的作用是将Token的数量减少，实现2倍的下采样，同时将特征维度增加到原始维度的2倍。这样可以在保持特征维度的同时，减少Token的数量，从而降低计算复杂度。
这个过程会在Encoder中重复3次，以逐渐减少分辨率和增加特征维度。通过这种方式，Encoder能够在每个阶段学习到不同尺度的特征表示，从而提供更丰富的上下文信息和多尺度感知能力。

Patch merging layer：

把输入的patch被分为四个部分，通常是按照水平和垂直方向平分。然后，这四个部分被连接在一起，形成一个更大的patch。这个操作导致特征分辨率降低了2倍，因为每个patch的尺寸减半。
同时，由于连接操作的结果是特征维度增加了4倍，为了保持维度一致性，会在连接的特征上添加一个线性层。这个线性层将特征的维度统一为原始维度的2倍，以便后续的处理和学习。
这样的处理可以在保持特征维度增加的同时，降低分辨率，以获取更广阔的上下文信息，并提供更丰富的特征表示能力。

Decoder：

使用了基于Swin Transformer块的对称结构。与编码器中的patch merge层不同，解码器中使用了patch expand层对提取的深度特征进行上采样。
patch expand层会将相邻维度的特征图重新塑造为更高分辨率的特征图，实现了2倍的上采样。同时，特征的维度也会相应地减半。
这个操作的目的是在解码器中进行上采样操作，以恢复图像的分辨率，同时减少特征的维度。这样可以保持特征的上下文信息，并为后续的特征融合和预测提供更多的细节和精度。
通过使用patch expand层，解码器可以将低分辨率的特征图上采样到高分辨率，并且减少特征维度，以逐渐恢复图像的细节和结构。这有助于生成更精细的分割结果。

Patch expanding layer：

用于对输入特征进行上采样。
以第1个Patch expanding layer为例，首先对输入特征添加一个线性层，将特征的维度增加到原始维度的2倍。这个线性层的作用是为了保持维度一致性，以便后续的处理和学习。
然后，利用rearrange操作，将输入特征的分辨率扩大到输入分辨率的2倍。rearrange操作是一种操作，它可以将特征的分布重新排列，从而实现上采样操作。通过这个操作，特征的分辨率增加了2倍，而特征的维度减少到输入维度的1/4。
这样的处理可以实现对特征的上采样，同时降低特征的维度。上采样可以恢复图像的细节和结构，而维度降低可以减少计算复杂度和内存消耗。
通过使用Patch expanding layer，解码器能够逐渐恢复图像的分辨率，并减少特征的维度，以提供更多的细节和精度，并为后续的特征融合和预测做准备。

计算过程：

训练过程中，将输入切割为多个小的体素块，并对每个体素块进行两次不同的数据增强操作，然后将它们分别输入到网络的编码器中进行处理，并计算自监督损失。这个过程旨在增加训练数据的多样性和丰富性。
网络采用了U-Net结构，其中编码器部分使用了Swin Transformer，而解码器部分则使用了卷积网络。
编码器的具体操作。首先，使用Patch Partition层将输入划分为一个3D的token序列。然后，通过线性嵌入层将token投影到C维空间中，以便进行有效的交互建模。为了实现这个目的，输入被划分为不重叠的窗口，并在每个窗口内计算局部自注意。
编码器的具体参数和结构。编码器使用2x2x2的patch大小，特征维度为8（针对单输入通道的CT图像），嵌入空间维度为48。编码器由4个级别组成，每个级别包括两个Transformer块（L=8），在每个级别之间使用Patch Merge层来降低分辨率。
编码器和解码器之间的连接方式。编码器的输出通过跳跃连接连接到解码器的相应分辨率上，以创建一个"U型"网络结构。这种结构可以为下游任务（如分割）提供更多的上下文信息和多尺度特征。
分割任务的处理过程。将编码器的输出（即Swin Transformer）与经过处理的输入体积特征连接起来，并将它们输入到一个残块中。然后，通过一个具有适当激活函数（如softmax）的1x1x1卷积层，计算出分割概率。
网络的预训练和微调过程。在预训练阶段，编码器的输出端连接了三个任务头。在微调阶段，去掉了三个任务头，并添加了一个分割头。微调时会调整整个网络的参数。
预测头的具体结构。Inpainting任务的预测头是一个卷积层，而旋转任务和对抗任务的预测头是多层感知器（MLP）。
各个任务的损失函数。Inpainting任务使用L1损失，旋转任务使用交叉熵损失，对抗任务使用InfoNce损失。
Inpainting任务和旋转任务的一些具体操作。Inpainting任务从二维扩展到了三维，而旋转任务是沿着Z轴进行旋转。
训练过程中使用的混合损失。三个任务的损失函数被组合成一个混合损失来指导训练，每个损失的权重都为1，即平等对待三个任务的损失。