点击下方“ReadingPapers”卡片，每天获取顶刊论文解读
论文信息
题目：VSmTrans: A hybrid paradigm integrating self-attention and convolution for 3D medical image segmentation
VSmTrans：一种融合自注意力和卷积的混合范式用于3D医学图像分割
作者：Tiange Liu, Qingze Bai, Drew A. Torigian, Yubing Tong, Jayaram K. Udupa
源码链接：https://github.com/qingze-bai/VSmTrans
论文创新点
提出一种新颖的混合Transformer骨干网络：作者提出了一种名为Variable-Shape Mixed Transformer (VSmTrans)的混合范式，用于3D医学图像分割。这种混合范式能够紧密整合自注意力和卷积，以利用这两种范式的优势。
设计了有效的自注意力机制VSW-MSA：作者设计了一种名为Variable-Shape Window Multi-head Self-attention (VSW-MSA)的新型自注意力机制。这种机制可以快速扩展接受域，并在全局和局部信息收集之间实现良好的平衡，而无需额外的计算成本。
混合Transformer模块的创新设计：在新的混合模块中，CNN不仅仅是引入归纳偏置的独立路径，而是将并行卷积增强模块嵌入到Transformer模块中，可以享受大接受域和强大归纳偏置的好处。
在多个公共医学图像数据集上的广泛实验：作者在AMOS CT数据集和BraTS2021 MRI数据集上进行了广泛的实验，验证了所提出方法的有效性。实验结果表明，该方法在性能上具有竞争力，甚至超过了其他一些最先进的方法。
消融实验验证了混合机制的有效性：通过一系列消融实验，作者验证了所提出的混合机制能够充分利用自注意力和卷积模块，有效平衡大接受域与局部归纳偏见，从而实现准确的分割结果，尤其是在物体边界上。
