论文研读：Transformers Make Strong Encoders for Medical Image Segmentation

本文主要是介绍论文研读：Transformers Make Strong Encoders for Medical Image Segmentation，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！

论文：TransUNet：Transformers Make Strong Encoders for Medical Image Segmentation

Abstract

Introduction

Related Works

各种研究试图将自注意机制集成到CNN中。

Transformer

Method

Transformer as Encoder

图像序列化

Patch Embedding

TransUNet

CNN-Transformer Hybrid as Encoder

级联上采样

Experiments and Discussion

数据集和评估

消融实验

skip-connection的消融实验

输入分辨率的消融实验

序列长度和补丁大小的消融实验

模型缩放的消融实验

可视化

Conclusion

Abstract

在深度学习医学图像分割领域，UNet结构一直以来都牢牢占据着主导地位，并取得了巨大的成功。然而，由于卷积操作的固有局部性，U-Net通常在远程依赖方面表现出局限性。Transformer是为序列到序列的预测而设计的，已经成为具有固有全局自注意力机制的替代架构，但由于缺乏低级细节，可能导致定位能力有限。

在本文中，作者提出了TransUNet，它兼有transformer和U-Net的优点，作为医学图像分割的强大替代方案。一方面，Transformer对来自卷积神经网络(CNN)特征映射的标记化图像patches进行编码，作为提取全局上下文的输入序列。另一方面，解码器对编码特征进行采样，然后将其与高分辨率CNN特征图相结合，以实现精确的定位。

Introduction

卷积网络的兴起，促进了图像领域的进步。并且广泛应用于图像分类任务，但是在一些特定场景，如生物医学图像处理领域，通常是需要像素级的分类任务，也就是图像分割任务。

生物医学图像的特点：

1、图像语义较为简单，结构较为固定；

2、数据量少；

3、可解释性重要。

Unet是一个包含4层下采样、4层上采样以及一个类似跳跃连接结构的全卷积网络。数据先经过传统的特征提取路径来获取语义信息，将图像压缩为由特征组成的特征图，然后再经过特征复原路径来精准定位，将提取的特征解码为与原始图像尺寸一样的分割后的预测图像。

Encoder：左半部分，由两个3x3的卷积层（RELU）再加上一个2x2的max pooling层组成一个下采样的模块；

Decoder：右半部分，由一个上采样的卷积层（去卷积层）+特征拼接concat+两个3x3的卷积层（ReLU）反复构成；这种通过通道数的拼接，可以得到更多的特征。

Related Works

各种研究试图将自注意机制集成到CNN中。

卡内基梅隆大学的王小龙等人设计了一个非局部算子，可插入多个中间卷积层。

Schlemper等人在编码器-解码器u型架构的基础上，提出了集成到跳过连接中的附加注意门模块。

与这些方法不同的是，作者使用了transformer来嵌入全局自注意力机制。

Transformer

Transformer被提出用于机器翻译，并在许多NLP任务中建立了最先进的状态。为了使Transformer也适用于计算机视觉任务，进行了一些修改。

Parmar等对每个查询像素仅在局部邻域应用自注意，而不是全局应用。

Child等人提出了稀疏transformer，它采用可扩展的近似全局自注意力。

最近，Vision Transformer (ViT)通过直接将具有全局自注意力的Transformer应用于全尺寸图像，实现了最先进的ImageNet分类。据我们所知，TransUNet是第一个基于transform的医学图像分割框架，它建立在非常成功的ViT之上。

Method

Transformer as Encoder

图像序列化

首先通过将输入 $eq?X$ 属于 $eq?R%5E%7BH*W*C%7D$ ，给定图像其空间分辨率为H*W，通道数为C。用 $eq?P%5Ctimes%20P$ 大小的切片去分割图片可以得到N个切片(N= $eq?%5Cfrac%7BH%5Ccdot%20W%7D%7BP%5E%7B2%7D%7D$ 是图像切片的数量，即输入序列长度)，那么每个切片的尺寸就是P∗P∗C，形成二维的序列，转化为向量，将N个切片重组后向量连接就可以得到𝑁∗𝑃∗𝑃∗𝐶（总的输入变换）的二维矩阵。

Patch Embedding

需要注意，作者最后进行Patch Embeding的输入并不是图像序列化，而是CNN提取到的特征；

切片𝑥𝑝x_p通过线性投影（ linear projection）映射到D维的嵌入空间，为了对patch空间信息进行编码，我们学习特定的位置嵌入，并将其添加到patch嵌入中以保留位置信息，方法如下:

$eq?z_%7B0%7D%3D%5Bx_%7Bp%7D%5E%7B1%7D%3Bx_%7Bp%7D%5E%7B2%7D%3B...%3Bx_%7Bp%7D%5E%7BN%7DE%5D+E_%7Bpos%7D$

其中 $eq?E$ 为嵌入投影， $eq?E_%7Bpos%7D$ 为位置投影

Tranformer编码器由L层多头自注意(MSA)和多层感知器(MLP)块（等式）组成

$eq?z_%7Bl%7D%5E%7B%7B%7D%27%7D%3DMSA%28LN%28z_%7Bl-1%7D%29%29+z_%7Bl-1%7D$

$eq?z_%7Bl%7D%3DMLP%28LN%28z_%7Bl%7D%5E%7B%7B%7D%27%7D%29%29+z_%7Bl%7D%5E%7B%7B%7D%27%7D%2C$

式中LN(·)为层归一化算子， $eq?z_%7Bl%7D$ 为编码后的图像表示。

TransUNet

transformer作为encoder部分，对transformer后的编码特征是 $eq?%5Cfrac%7BH%5Ccdot%20W%7D%7BP%5E%7B2%7D%7D*D$ ，为了恢复空间信息，将 $eq?%5Cfrac%7BH%5Ccdot%20W%7D%7BP%5E%7B2%7D%7D*D$ 恢复至 $eq?%5Cfrac%7BH%7D%7BP%7D*%5Cfrac%7BW%7D%7BP%7D*D$ ，然后使用U-Net的decoder部分，上采样恢复分辨率至 $eq?H*W$ 。虽然也能产生合理的结果，但结果比较粗糙，缺少高分辨率的细节信息。也就是说此时的结构不是transformer的最佳应用，因为通常 $eq?%5Cfrac%7BH%7D%7BP%7D*%5Cfrac%7BW%7D%7BP%7D$ 比 $eq?H*W$ 小很多，分辨率在恢复至 $eq?H*W$ 过程中，不可避免导致定位信息的损失。为了弥补这种定位细节信息的损失，作者继续提出了CNN-Transformer的混合结构。

CNN-Transformer Hybrid as Encoder

TransUNet不是使用纯Transformer作为编码器，而是使用CNN-Transformer混合模型，其中CNN首先用作特征提取器，为输入生成特征映射。Patch embedding是对CNN feature map中提取的1 × 1的Patch进行嵌入，而不是对原始图像进行嵌入。

我们选择这种设计是因为：

1)它允许我们在解码路径中利用中间高分辨率CNN特征图;

2)我们发现混合CNN-Transformer编码器比简单地使用纯Transformer作为编码器性能更好。

级联上采样

作者引入了一个级联上采样器(CUP)，它由多个上采样步骤组成，用于解码隐藏特征以输出最终的分割掩码。在将隐藏特征 $eq?z_%7BL%7D%5Cmathbb%7BC%7DR%5E%7B%5Cfrac%7BHW%7D%7BP%5E%7B2%7D%7D*D%7D$ 的序列重塑为 $eq?%5Cfrac%7BH%7D%7BP%7D*%5Cfrac%7BW%7D%7BP%7D*D$ 的形状后，我们通过级联多个上采样块来实例化CUP，以达到从 $eq?%5Cfrac%7BH%7D%7BP%7D*%5Cfrac%7BW%7D%7BP%7D$ 到 $eq?H*W$ 的全分辨率，其中每个块依次由上采样算子、3×3卷积层和ReLU层组成。

整体TransUNet框图如下图所示

Experiments and Discussion

数据集和评估

Synapse multi-organ segmentation dataset（Synapse多器官分割数据集）腹部CT扫描（30次腹部CT扫描总共有3779张轴向增强腹部临床CT图像）报告了8个腹部器官的平均Dice和平均豪斯多夫距离(HD)，随机分为18个训练病例(2212个轴向切片)和12个验证病例。

Automated cardiac diagnosis challenge心脏CMR（心脏核磁）一系列短轴切片从左心室底部到顶部覆盖心脏，切片厚度为5至8毫米。短轴平面内空间分辨率从0.83到1.75 mm^2/pixel。每个患者扫描都用手工标注了左心室(LV)、右心室(RV)和心肌(MYO)。报告了平均Dice，随机分为70个训练病例(1930个轴向切片)，10个用于验证，20个用于测试。

消融实验

为了彻底评估TransUNet框架并验证其在不同设置下的性能，进行了各种消融研究

包括:1)跳过连接数;2)输入分辨率;3)序列长度和补丁大小;4)模型缩放。

skip-connection的消融实验

首先做了skip-connection的消融实验，可以明显看出3层跳跃连接的DSC更高，代表着跳跃连接的增加对模型是有益的。

输入分辨率的消融实验

作者测试了224×224分辨率和512×512分辨率的DSC，发现512×512分辨率图像作为输入获得了更高的DSC，但是处于性能考虑，还是选择了224×224进行后续测试。

序列长度和补丁大小的消融实验

较小的patch尺寸可以获得较高的分割性能。

Transformer的序列长度与补丁大小的平方成反比

模型缩放的消融实验

最后，我们对不同模型尺寸的TransUNet进行了消融实验。作者研究了两种不同的TransUNet配置， “Base”和“Large”模型。对于“Base”模型，隐藏大小D、层数、MLP大小和头部数量分别设置为12、768、3072和12;而“Large”模型的这些超参数分别设置为24、1024、4096和16。从表4我们得出结论，更大的模型导致更好的性能。考虑到计算成本，所有实验均采用“Base”模型。

可视化

作者还进行可视化比较，从图中可以看出TransUnet的分割更为精细，错误率更低。

Conclusion

TransUNet是率先将Transformer结构用于医学图像分割工作的研究。TransUNet将重视全局信息的Transformer结构和底层图像特征的CNN一起进行混合编码，能够更大程度上提升UNet的分割效果。Transformer是一种天生具有强大自注意机制的结构。在这篇论文中，作者研究Transformer在一般医学图像分割中的应用。为了充分利用Transformer的力量，提出了TransUNet，它不仅将图像特征作为序列来编码强全局上下文，还通过Unet混合网络设计来很好地利用低层CNN特征。TransUNet可作为一种替代框架用于医学图像分割，其性能优于各种竞争方法，包括基于cnn的自注意力方法。本文为了完整的应用transformer，提出了TransUNet, 不仅通过将图像以序列处理编码全局上下文信息，也通过使用U型结构将低层次CNN特征利用上，作为基于FCN的主流医学图像分割方法的替代框架，在医学图像分割上（包括多器官分割和心脏分割）上均比各种竞争方法（像基于CNN的自注意方法）具有更优的表现。

这篇关于论文研读：Transformers Make Strong Encoders for Medical Image Segmentation的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！