摘要

近年来，医学图像分割已成为计算机辅助诊断领域的一个重要应用。本文首次提出了一种基于图卷积的新解码器——级联图卷积注意力解码器（G-CASCADE），用于二维医学图像分割。G-CASCADE 利用高效的图卷积模块逐步细化由分层变压器编码器生成的多阶段特征图。编码器通过自注意力机制捕捉长距离依赖关系，而解码器则利用图卷积模块的全局感受野来保留长距离信息，从而进一步优化特征图。我们对多个变压器编码器在五个医学图像分割任务（即腹部器官、心脏器官、息肉病变、皮肤病变和视网膜血管）上进行了严格的评估，结果显示我们的模型优于其他最先进的（SOTA）方法。此外，我们还证明了我们的解码器在参数量减少 80.8% 和浮点运算量减少 82.3% 的情况下，仍能实现比 SOTA CASCADE 解码器更高的 DICE 分数。我们的解码器可以轻松与其他分层编码器结合使用，适用于通用语义分割和医学图像分割任务。