摘要

医学图像分割是医学信息分析领域中最基础的任务之一。迄今为止，已提出多种解决方案，包括多种基于深度学习的技术，如U-Net、FC-DenseNet等。然而，由于医学图像固有的放大效应和几何畸变，以及病灶区域与正常组织密度相似所带来的挑战，实现高精度的医学图像分割仍是一项极具难度的任务。本文提出了一种名为TFCNs（Transformers for Fully Convolutional denseNets）的新方法，通过在FC-DenseNet中引入ResLinear-Transformer（RL-Transformer）和卷积线性注意力模块（Convolutional Linear Attention Block, CLAB），以应对上述挑战。TFCNs不仅能够从CT图像中挖掘更多潜在特征信息，提升特征提取能力，还能通过CLAB模块更有效地捕捉与传播语义特征，同时抑制非语义特征的干扰。实验结果表明，TFCNs在Synapse数据集上取得了当前最优的分割性能，Dice分数达到83.72%。此外，我们在公开的COVID-19数据集上评估了TFCNs对病灶区域变化的鲁棒性。相关Python代码将公开发布于https://github.com/HUANGLIZI/TFCNs。