点击下方“ReadingPapers”卡片，每天获取顶刊论文解读
论文信息
题目：GASA-UNet: Global Axial Self-Attention U-Net for 3D Medical Image Segmentation
GASA-UNet：用于3D医学图像分割的全局轴向自注意力U-Net
作者：Chengkun Sun，Russell Stevens Terry，Jiang Bian， Jie Xu
论文创新点
全局轴向自注意力（GASA）块的提出：作者提出了一个创新的3D自注意力块，称为全局轴向自注意力（GASA）块。这个块被设计为利用ViT的全局注意力优势，同时将体素级空间细节纳入3D局部特征中。这是通过在不替换U-Net架构中的编码器和解码器的情况下，作为一个额外的分支集成到U-Net架构中实现的。 改进的视觉Transformer框架：作者的模型在修订的视觉Transformer框架内合并了全局和局部特征，赋予了U-Net模型3D全局轴向自注意力能力，同时参数增加最小。这种设计提高了特征的可辨性，同时保留了U-Net在详细局部特征提取方面的基础优势。 新的补丁生成方法：作者的模型引入了一种新的补丁生成方法，该方法利用三个2D卷积核，通过先进的空间编码改进了语义相似特征的区分。这包括扩展自注意力值的输出，连接通道维度，并使用位置嵌入，从而增强了模型对细微分类和模糊器官边界的处理能力。
